Klik Disini - KM Ristek

AP 

PENGEMBANGAN PEMANFAATAN DATATRMM 

UNTUK MENUNJANG KETAHANAN PANGAN 

LAPORAN AKHIR 

PENELITI UTAMA: INA JUAENI 

PROGRAM INSENTIF RISET 

DIREKTORAT JENDERAL PENDIDIKAN TINGGI (DIKTI) 

TAHUN 2010 

KATEGORI: RISET TERAPAN 

~ 

PUSAT PEMANFAATAN SAINS ATMOSFER DAN IKLIM 

LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL 

JL. Dr. DJUNDJUN~N 133, BANDUNG 40173

LEMBAR PENGESAHAN 

Bandung, 22 November 2010 

Dr. Ina Juaeni 

NIP: 19641001 198903 2 007 

Mengetahui/ Menyetujui : 

Ka. Bidang Pemodelan lklim 

Dr. Teguh Hardjana 

NIP: 19591027 198702 1 001 NIP : 19641129 199103 1 004 

~ 

., 

ii

SUSUNAN TIM PENELITIAN 

1. Dr. Ina Juaeni (Peneliti Utama, lAPAN-Bandung) 

2. Dr. Teguh Hardjana, M.T (Peneliti, lAPAN-Bandung) 

3. Drs. Nurzaman A., MSi. (Peneliti, lAPAN-Bandung) 

4. Drs. Arief Suryantoro, MSi (Peneliti, lAPAN-Bandung) 

5. Drs. Martono, MSi. (Peneliti, lAPAN-Bandung) 

Diusulkan 

Dimulai 

Diperkirakan selesai 

: 2010 

: 1 Februari 2010 

: 31 November 201 0 

PUSAT PEMANFAATAN SAINS ATMOSFER DAN IKLIM 

LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL 

JL. Dr. DJUNDJUNAN 133, BANDUNG 40173 

. ~ 

til" 

iii

RINGKASAN 

Curah hujan TRMM tipe 3842 adalah curah hujan/presipitasi Tropical Rainfall 

. 

Measuring Mission (TRMM) yang digabung dengan presipitasi infrared/high quality 

(HQ) dalam grid yang mempunyai resolusi waktu tertinggi 3 jam-an dan resolusi 

spasial 0,25° X 0,25° dalam cakupan global 50° lintang selatan sampai 50° lintang 

utara. 

Data TRMM dianalisis melalui tahapan berikut: 

1. Menguji kesesuaian pola curah hujan TRMM dengan pola curah hujan 

observasi 

2. Pengelompokkan curah hujan dengan metode Ward 

3. Penentuan dasarian potensial dan kalender tanam potensial 

4. Penentuan curah hujan ekstrim 

Data curah TRMM tipe 3642 yang digunakan dalam penelitian ini adalah data 

dengan resolusi waktu 10 harian , resolusi ruang 0,25 x 0,25° dan periode data dari tahun 

1998 sampai dengan 2009 yang menitikberatkan wilayah penelitian di Indonesia (daratan 

dan lautan). 

Data TRMM meliputi data curah hujan di lautan, maka hasil klastering juga 

meliputi wilayah lautan. Banyak wilayah yang mempunyai kemiripan karakteristik 

curah hujan yang tinggi dengan karakteristik lautan disekitarnya, sehingga berada 

dalam satu klaster yang sama. Hal ini menunjukkan adanya interaksi yang kuat 

antara daratan dan lautan. lnteraksi atmosfer dan lautan merupakan salah satu 

aspek penting dalam mengkaji perilaku variabel atmosfer di wilayah benua maritim 

ini. Klaster di daratan pada wilayah pengamatan I, 

II, IV dan V terbentuk 

berdasarkan perbedaan area lintang tetapi klaster di daratan Kalimantan (wilayah 

Ill) dan klaster-klaster di lautan menunjukkan perbedaan karakteristik yang disebabkan 

faktor bujur. 

Dari curah hujan rata-rata Jlerdasarian perklaster kemudian ditentukan 

dasarian potensial dan kalender tanam potensial. Dasarian potensial dan kalender 

iv 

. ~

tanam potensial di beberapa sampel lokasi diuraikan di bawah ini. Di Medan padi 

bisa mulai ditanam pada dasarian ke 5 sampai dengan dasarian ke 36. Jika dibantu 

l 

irigasi pada dasarian ke 3, maka pad i bisa ditanam sepanjang tahun atau dalam 

setahun bisa 3 x tanam. lni berdasarkan curah hujan rata-rata klaster 8 di P. 

Sumatera. Di Probolinggo dan Denpasar, padi bisa mulai ditanam pada dasarian ke 

1, dengan dibantu irigasi mulai dasarian ke 12. Padi dapat ditanam lagi di akhir 

tahun dengan bantuan irigasi pada dasarian ke 25 sampai dasarian 29. lni waktu 

yang tepat sesuai curah hujan rata-rata klaster 6 di P. Jawa. Di Magelang, pada 

dasarian 1 sampai 12 tersedia air hujan yang cukup untuk mengairi sawah. Padi 

dapat ditanam lagi di akhir tahun dengan bantuan irigasi pada dasarian 25 sampai 

dasarian 28. Di Manado, agak sukar menentukan kalender tanam karena diperlukan 

12 dasarian berturut-turut, jika hanya berdasarkan dasarian potensial maka padi 

hanya dapat ditanam pada akhir tahun mulai dasarian ke 30 sampai dasarian ke 5 

tahun berikutnya. Jika ingin dua kali atau tiga kali menanam maka harus dibantu 

irigasi. 

Berdasarkan dasarian-dasarian potensial maka 

terdapat tiga macam kalender 

tanam , yaitu dua kali tanam dalam setahun, satu kali tanam setahun dan tiga kali 

tanam atau sepanjang tahun menanam. Dua kali menanam padi dalam setahun 

terjadi di P. Jawa, Sumatera, Kalimantan dan Sulawesi. Daerah dengan satu kali 

tanam sepanjang tahun 

adalah Bali dan Nusa Tenggara, karena hujan dengan 

intensitas yang cukup hanya terjadi di awal tahun. Sedangkan di Sumatera Barat 

dan Papua waktu tanam hampir bisa dilakukan sepanjang tahun. 

Penentuan curah hujan ekstrim di wilayah Indonesia menunjukkan bahwa 

curah hujan ekstrim 10 harian berkisar antara 80 sampai 180 mm/1 0 hari dengan 

nilai terendah berada di Indonesia bagian selatan. Wilayah Indonesia bagian utara 

mempunyai intensitas 

curah hujan ekstrim yang lebih tinggi dibandingkan di wilayah 

Indonesia bagian selatan. Curah hujan ekstrim berpotensi menyeb?bJ

PRAKATA 

Laporan ini merupakan laporan akhir dari penelitian yang berlangsung 

selama 10 bulan. 

Tim peneliti menyadari bahwa dalam penelitian dan laporan penelitian ini 

masih terdapat kekurangan, maka saran perbaikan sangat kami harapkan. 

Akhirnya, semoga penelitian ini bermanfaat tidak hanya bagi tim penelitian 

tetapi juga benar-benar dapat memberikan informasi penting untuk bidang pertanian 

dan bidang terkait lain. 

Jakarta, 22 November 2010 

Peneliti 

~ 

... 

vi

DAFTAR lSI 

Halaman 

LEMBAR PENGESAHAN 

SUSUNAN TIM PENELITI 

RINGKASAN 

PRAKATA 

DAFTAR lSI 

DAFTAR TABEL 

DAFTAR GAMBAR 

II 

Ill 

iv 

vi 

vii 

IX 

X 

BAB1 PENDAHULUAN 1 

1.1 Latar belakang 1 

1.2 Tinjauan Pustaka 2 

BAB 2 METODOLOGI 7 

2.1 Pendeteksian outlier 9 

2.2 Uji multikolinearitas 10 

2.3 Analisis komponen utama 10 

2.4 Penentuan jumlah klaster 12 

2.5 Validasi klaster 12 

2.6 Analisis klaster 12 

BAB 3 HASIL DAN PEMBAHASAN . ' 14 

3.1 Konfirmasi data curah hujan TRMM dengan 

curah hujan observasi 14 

til" 

vii

3.2 Hasil klastering 

15 

3.3 Dasarian potensial dan kalender tanam 

potensial 

3.4 Curah hujan ekstrim 

22 

27 

BAB 4 KESIMPULAN DAN SARAN 

PUBLIKASI 

DAFTAR PUSTAKA 

PIRAN A 

PIRAN 8 

PIRAN C 

LAMPIRAN D 

LAMPIRAN E 

LAMPIRAN F 

29 

29 

30 

31 

33 

35 

38 

44 

53 

~ 

.., 

viii

DAFT AR T ABEL 

Halaman 

Tabel 3.1 Koefisien korelasi antara curah hujan rata-rata 

TRMM dengan curah hujan rata-rata observasi 

15 

Tabel 3.2 Koefisien korelasi antara curah hujan rata-rata 

TRMM dengan curah hujan rata-rata observasi lain 

15 

Tabel 3.3 Jumlah klaster dan pola curah hujan rata-rata setiap 

wilayah 

Tabel 3.4 Periode ketersediaan air (>50 mm/10 hari) 

16 

25 

~ 

... 

ix

DAFT AR GAM BAR 

Halaman 

Gambar 1.1 lnstrumen TRMM 3 

Gambar 1.2 Bagan teknik analisis dalam metode lnterdepensi 5 

Gambar 1.3 Klasifikasi analisis klaster 7 

Gambar 2.1 Pembagian wilayah dan batas lintang bujurnya 9 

Gambar 2.2 Bagan alur penentuan klaster dengan metode Ward 13 

Gambar 2.3 Bagan alur penentuan dasarian dan kalender tanam 

potensial 14 

Gambar 3.1 Klaster-klaster di wilayah I (Sumatera) 17 

Gambar 3.2 Klaster-klaster di wilayah II (Jawa, Bali dan Nusa 18 

Tenggara 

Gambar 3.3 Klaster-klaster di wilayah Ill (Kalimantan) 19 

Gambar 3.4 Klaster-klaster di wilayah IV (Sulawesi) 20 

Gambar 3.5 Klaster-klaster di wilayah V (Papua) 21 

Gambar 3.6 Curah hujan rata-rata klaster 8 di P. Sumatera (Medan) 23 

Gambar 3.7 Curah hujan rata-rata klaster 6 di P. Jawa (Probolinggo 24 

dan Denpasar) 

Gambar 3.8 Curah hujan rata-rata klaster 8 di P. Jawa (Magelang) 24 

Gambar 3.9 Curah hujan rata-rata klaster 8 di P. Sulawesi (Manado) 24 

Gambar 3.10 Peta curah hujan ekstrim (mm/1 0 hari) 28 

Gambar 3.11 Peta frekuensi curah 8t.ljan ekstrim (kejadian/tahun) 28 

~ 

X

PENGEMBANGAN PEMANFAATAN DATA TRMM 

UNTUK MENUNJANG KETAHANAN PANGAN 

Ina Juaeni, Teguh Hardjana, Nurzaman, Arief Suryantoro, Martono, Noersomadi 

inajuaeni@yahoo.com , ina j@bdg.lapan.go.id 

1 PENDAHULUAN 

1.1 Latar belakang 

Sejak dipublikasi tahun 1998, data TRMM semakin sering digunakan dalam 

berbagai kajian masalah cuaca dan iklim di Indonesia. Hal ini disebabkan beberapa 

keunggulan yang dimiliki data curah hujan TRMM, seperti keunggulan dalam 

cakupan wilayah yang luas, kemampuannya dalam memetakan variasi curah hujan 

spasial dan temporal yang besar serta kemampuannya dalam memberikan data 

curah hujan dengan resolusi spasial sampai 5 km. Wilayah Indonesia merupakan 

bagian wilayah tropis dengan intensitas curah hujan yang tinggi. Sumber energi 

panas radiasi matahari yang selalu tersedia sepanjang tahun ditambah kelembapan 

dalam jumlah yang cukup tinggi, mendorong tingginya frekuensi dan intensitas 

curah hujan. Curah hujan di wilayah Indonesia juga memiliki variasi spasial dan 

temporal yang tinggi, hal ini dapat dijelaskan sebagai akibat perbedaan kondisi 

permukaan, yaitu perbedaan relief dan perbedaan tata guna lahan. Variasi curah 

hujan yang tinggi ini belum ditunjang oleh sarana observasi yang memadai. Masih 

banyak lokasi terutama yang terpencil yang miskin informasi cuaca dan iklimnya, 

padahal informasi ini cukup penting. 

Dalam rangka melengkapi kesenjangan informasi bagi wilayah-wilayah 

yang belum lengkap sarana pengamatannya, dalam penelitian ini dilakukan 

pengembangan pemanfaatan data curah hujan TRMM dengan mengelompokkan 

wilayah berdasarkan kesamaan sifat curah hujan untuk seluruh wilayah Indonesia 

. ' 

termasuk yang tidak mempunyai sarana pengamatan atmosfer permukaan. Tidak 

berhenti sampai disitu, dalam penelitian ini juga ditunjukkan bahwa data TRMM 

dapat digunakan untuk menentukan dasarian potensial dan kalender tanam padi 

potensial sebagai langkah pen~apan hasil penelitian. Dengan kata lain, 

pengelompokkan atau klastering curah hujan TRMM dengan mengguna etode

statistis menghasilkan dua informasi penting. Pertama, penentuan wilayah yang 

mempunyai karakter curah hujan yang sama. Sehingga lokasi yang tidak memiliki 

l 

sarana pengamatan permukaan dapat melakukan inisialisasi. Kedua, pola curah 

hujan masing-masing kelompoklklaster dapat digunakan untuk membuat berbagai 

kajian variabilitas curah hujan baik untuk riset murni maupun pengembangan dan 

pemanfaatan hasil riset, misalnya menentukan kalender tanam padi potensial 

seperti yang ditunjukkan dalam penelitian ini. 

1.2 Tinjauan Pustaka 

Letak geografis Indonesia yang berada dalam wilayah tropis, dibatasi 

lautan Hindia disebelah barat, lautan Pasifik disebelah timur, benua Asia disebelah 

utara dan benua Australia disebelah selatan. Relief permukaannya merupakan 

kombinasi antara dataran, pebukitan dan daerah bergelombang. Kombinasi dari 

letak geografis dan relief permukaan seperti diuraikan di atas menciptakan kondisi 

iklim yang khas yang tidak sama dengan iklim wilayah non tropis bahkan dengan 

wilayah tropis lain sekalipun. Letaknya yang berdekatan dengan lautan Hindia, 

mendorong arah perhatian pada fenomena atmosfer Indian Ocean Dipole disamping 

El Nino/La Nina yang berada di lautan Pasifik. Meski berada dalam wilayah yang 

tidak potensial menciptakan siklon, karena letaknya di ekuatorial, namun siklon 

kerap terjadi disekelilingnya, sehingga dampak siklon terhadap cuaca/iklim 

Indonesia baik besar maupun kecil patut diperhatikan. Dilain pihak, Osilasi Madden 

Julian dengan periode 30 - 60 hari, tidak dapat diabaikan keberadaanya karena 

terindikasi berpengaruh pada variabel atmosfer Indonesia bagian barat. lnteraksi 

proses-proses atmosfer berskala lokal, meso dan global yang aktif menghasilkan 

karakter curah hujan yang khusus. 

Pola dan intensitas curah hujan merupakan karakter curah hujan yang bisa 

berubah, karena pemicu dan proses pembentukannya juga bisa berubah. Beberapa 

penelitian di bawah ini menunjukkan indikasi terjadinya p~n.Jbahan pola dan 

intensitas curah hujan. Perubahan intensitas dan distribusi peluang curah hujan 

terindikasi terjadi di wilayah Indonesia bagian timur berdasarkan data GHCN (Global 

Historical Climatological Network) (Juaeni et a/. , 2007). Perubahan pola dan 

intensitas curah hujan juga teramati te i Bandung (Juaeni, 2006). Perubahan pad a 

distribusi, baik spasial maupun temporal curah hujan merupakan salah satu indikator

perubahan iklim. Perubahan iklim juga ditandai dengan semakin seringnya terjadi 

fenomena dan kejadian cuacaliklim ekstrim. Emanuel (2005) menunjukkan bapwa 

terjadi peningkatan kekuatan siklon di tropis pada 50 tahun terakhir. Hasil Emanuel 

didukung oleh penemuan Webster et a/. (2005) yaitu adanya peningkatan (hampir 

100 %) kejadian siklon tropis dari periode 1975 sampai 2004. Meskipun siklon tropis 

tidak terjadi di wilayah Indonesia, tetapi perlu diwaspadai dampaknya terhadap 

wilayah Indonesia karena frekuensi dan intensitas cenderung semakin meningkat. 

Sebagai negeri yang sebagian besar wilayahnya berupa wilayah agraris, Indonesia 

sangat membutuhkan informasi tentang distribusi spasial, temporal dan intensitas 

(sesaat dan rata-rata) curah hujan. Surmaini dan Susanti (2009) dalam penelitiannya 

menyebutkan bahwa terjadi pergeseran waktu tanam di 5 sampai 11 % dari luas 

wilayah sentra pangan di P. Jawa pada tahun 2008 yang disebabkan oleh 

perubahan pola dan intensitas curah hujan. Jika waktu tanam berubah maka resiko 

gagal panen semakin besar. Dengan demikian, klastering yang berkaitan dengan 

pemetaan curah hujan rata-rata perlu dilakukan untuk diaplikasikan dalam 

penentuan dasarian dan kalender tanam padi potensial. Pemetaan curah hujan 

ekstrim juga diperlukan mengingat intensitas curah hujan yang ekstrim sangat 

mempengaruhi produksi pertanian. Kekurangan dan kelebihan air mempunyai 

dampak negatif terhadap hasil panen . 

... 

Gambar 1.1 lnstrumen TRMM 

3

Untuk memperoleh klaster-klaster curah hujan dan peta curah hujan ekstrim 

tersebut digunakan data curah hujan TRMM. Seperti telah diungkap di atas, :data 

curah hujan TRMM memiliki keunggulan dibanding data curah hujan lainnya. 

Pertama, cakupan wilayahnya yang luas sehingga memungkinkan diperolehnya data 

curah hujan untuk lokasi terpencil sekalipun. Kedua, data TRMM mampu 

memetakan variasi curah hujan spasial dan temporal yang besar seperti pada masa 

aktif osilasi Madden Julian dan ENSO di Pasifik. Ketiga, TRMM dapat memberikan 

data curah hujan dengan resolusi sampai 5 km. Uji validasi curah hujan TRMM 

resolusi 0,25° (atau setara dengan 28 km) cukup baik yaitu 0,62 sampai 0,80 untuk 

wilayah Sumatera (Juaeni eta/., 2009). Tes sensitivitas dengan penggunaan panas 

Iaten estimasi TRMM telah meningkatkan ketelitian prediksi curah hujan sebesar 30 

% untuk simulasi curah hujan harian dengan model NMC dan ECMWF 

(http://climate.met.psu.edu/). Kemampuan yang tinggi dari TRMM untuk memetakan 

curah hujan dan panas Iaten ditunjang oleh peralatan sebagai berikut: Radar 

presipitasi (PR), Imager gelombang mikro TRMM (TMI), Scanner visible dan 

infrared (VIRS), Sensor awan dan energi radiasi bumi (CERES) serta Sensor image 

petir (LIS) seperti yang diperlihatkan pada gambar 1.1. Dalam penelitian ini data 

curah hujan TRMM akan digunakan untuk membuat pengelompokkan/klastering 

curah hujan 10 harian dan menentukan curah hujan ekstrim. Setiap klaster yang 

dihasilkan memiliki pola curah hujan tertentu dengan karakteristik yang berbeda 

dengan klaster lainnya. Pola curah hujan setiap klaster dapat diaplikasikan untuk 

menentukan waktu tanam yang tepat sesuai batasan curah hujan minimal yang 

diperlukan oleh tanaman. Dalam penelitian ini tanaman yang menjadi perhatian 

adalah padi. 

Dalam analisis multivariat, pengelompokkan termasuk pengelompokkan 

curah hujan merupakan metode pengklasifikasian. Metode pengklasifikasian dibagi 

ked alam dua kelompok, yaitu metode dependensi dan interdependensi. Penggunaan 

metode dependensi bertujuan untuk menjelaskan variabel tak bebas berdasarkan 

lebih dari satu variabel bebas yang mempengaruhinya (Hair et a/., 1998 dalam 

Ayahbi, 2009). Sedangkan dalam metode interdependensi, variabel-variabel yang 

digunakan tidak dapat diklasifikasikan baik ke dalam variabel bebas maupun tak 

be bas, semua varia bel yang digu~kan berstatus sam a (Hair et a/., 1998 dalam 

Ayahbi, 2009). Dengan demikian, metode pengklasifikasian yang tepat untuk 

pengelompokan karakteristik curah hujan di Indonesia adalah metode 

4 

. ~

interdependensi. Pembagian metode-metode statistik yang termasuk dalam metode 

interdependensi diperlihatkan pada gambar 1.2. 

' 

I 

Metrik 

[ Analisis Faktor I 

' 

I 

Metode lnterdependensi 

I 

) 

[ Nonmetrik J 

' Analisis Kluster 

"' 

Nonmetrik 

Multidimensional Scaling 

~ 

I 

.. 

Ana !isis 

Korespondensi 

l 

...,j 

Metrik Multidimensional 

Scaling 

' 

[ Analisis Faktor ] 

[ ] 

Analisis Faktor Utama 

Gambar 1.2 Bagan teknik analisis dalam metode lnterdependensi 

Data curah hujan TRMM (Tropical Rainfall Measuring Mission) termasuk 

data metrik. Dengan demikian ada tiga jenis analisis yang dapat digunakan, yaitu 

analisis faktor, analisis kluster dan analisis metrik multidimensional scaling. Namun, 

tidak semua teknik statistik interdepensi bisa digunakan untuk data metrik. Masingmasing 

teknik memiliki tujuan yang berbeda. Analisis faktor dapat digunakan untuk 

mengenali atau mengidentifikasi dimensi dasar (underlying dimensions) dari 

sejumlah banyak variabel, menjelaskan korelasi antar kumpulan variabel, dan 

mengidentifikasi suatu set variabel baru yang tidak berkorelasi yang jumlahnya lebih 

. ' 

sedikit (Hair et a/., 1998 dalam Ayahbi, 2009). Ana lis is metrik multidimensional 

scaling merupakan suatu teknik untuk mengelompokkan objek-objek dalam 

kelompok-kelompok yang digambarkan (direpresentasikan) pada suatu ruang 

dimensi ganda (multidimension~ space) (Hair et a/. , 1998 dalam Ayahbi, 2009). 

Sedangkan analisis klaster adalah suatu teknik mengelompokkan variabel menjadi 

kelompok atau klaster-klaster berdasarkan kesamaan karakteristik vanabel tersebut 

5

(Sharma, 1996 dalam Ayahbi, 2009 dan Yuliani, 2009). Hasil dari analisis klaster 

adalah ditemukannya kelompok-kelompok dengan kemiripan (homogenitas) ~yang 

tinggi di dalam klasternya serta mempunyai ketidakmiripan (heterogenitas) yang 

tinggi antar klaster (Johnson dan Wichern, 1992 dalam Ayahbi, 2009 dan Yuliani, 

2009). Sejalan dengan pengertian di atas, maka analisis klaster merupakan teknik 

yang tepat untuk mengelompokkan karakteristik curah hujan. 

Menurut Mimmack (2000 dalam dalam Ayahbi, 2009 dan Yuliani, 2009), 

analisis klaster adalah teknik yang digunakan dalam klimatologi untuk 

mengelompokkan objek ke dalam beberapa kelompok yang memiliki karakteristik 

yang sama. Pada kasus pengelompokkan curah hujan dengan skala pengamatan 

tertentu (misal harian, lima harian atau bulanan) terhadap titik lokasi/grid, 

pengelompokkan dilakukan terhadap grid sehingga membentuk beberapa kelompok. 

Haryoko, dalam makalahnya yang berjudul "Pewilayahan hujan untuk 

menentukan pola hujan (contoh kasus Kabupaten lndramayu)", mengutarakan 

bahwa analisis klaster merupakan teknik yang digunakan untuk mengelompokkan 

pos pengamatan hujan (stasiun) yang mempunyai kesamaan pola curah hujan 

dasarian (1 0 harian) ke dalam sub-sub kelompok. Berdasarkan penelitiannya, curah 

hujan dasarian (10 harian) yang satu memiliki korelasi dengan curah hujan dasarian 

lainnya. Untuk mengatasi adanya korelasi tersebut, maka harus dicari variabel baru 

yang tidak memiliki korelasi satu sama lain. Teknik membentuk variabel baru 

tersebut adalah analisis komponen utama. Melalui analisis komponen utama 

didapat m komponen utama yang memberikan varians sebesar 80%. Selanjutnya, m 

komponen ini menjadi variabel baru sebagai dasar pengelompokan curah hujan 

menggunakan analisis klaster. Kombinasi analisis komponen utama dan analisis 

klaster juga dilakukan oleh Degaetano (1996), untuk mengelompokkan grid yang 

memiliki iklim yang sama. Dalam penelitiannya Degaetano menerapkan analisis 

klaster Average Linkage dan metode Ward pada curah hujan dan temperatur 

bulanan. Kedua metode dibandingkan berdasarkan distribusi ukuran klaster. Pola 

ukuran klaster yang dihasilkan untuk average linkage tidak mem iliki karakteristik 

karena dari 47 klaster yang terbentuk, 40% klasternya (19 klaster) masing-masing 

hanya memiliki dua bahkan satu grid sebagai anggotanya, sedangkan metode Ward 

memberikan hasil yang seragam paSa klaster yang terbentu k. Juaeni et a/. (2009) 

telah mengaplikasikan metode Ward untuk lokasi Sumatera Barat dengan data 

curah hujan TRMM bulanan, sehingga diperoleh 4 klaster optimum. Aolikasi untuk 

6 

. ~

Kalimantan Barat menghasilkan 4 klaster (Juaeni et a/., 2010). Kedua kasus 

terakhir menunjukkan korelasi yang cukup baik antara pola curah hujan l TRMM 

bulanan dengan pola curah hujan observasi (Juaeni et a/. 2009, 201 0). Hasil-hasil 

tersebut menjadi dasar untuk menggunakan metode Ward sebagai teknik klaster 

dalam penelitian ini. Metode Ward termasuk dalam kelompok metode klastering 

Hierarkhi. Klasifikasi analisis klaster diperlihatkan pada gambar 1.3. 

Analisis 

Klaster 

I 

Metode 

hierarkhi 

_j 

Metodenon 

hierarkhi 

I 

Agglomerative: 

Linkage, Ward, 

[ 

I 

Divisive 

I 

K-means/ 

Hard 

[ Fuzzy 

I 

J 

Centroid 

Gambar 1.3 Klasifikasi analisis klaster 

2 METODOLOGI 

Penelitian dengan menggunakan data TRMM dan penerapan metode 

klastering ini merupakan kajian yang menggabungkan data lapangan dengan data 

observasi. Data lapangan adalah data jadwal tanam dan kondisi daerah sentra 

~ 

pangan yang diperoleh dengan kunjungan dan diskusi ke 'beberapa lokasi sentra 

pangan, sebagai sampel. Data observasi adalah data curah hujan TRMM dan data 

observasi curah hujan dibeberapa lokasi sampel (di Kalimantan Barat) untuk 

mengkonfirmasi data curah hujan.lRMM terhadap data observasi. Data TRMM yang 

digunakan adalah TRMM 3842 Versi 6 dalam periode 1998 sa mpai dengan 2009. 

7

Curah hujan TRMM tipe 3B42 adalah curah hujan/presipitasi Tropical 

Rainfall Measuring Mission (TRMM) yang digabung dengan presipitasi infrare91high 

quality (HQ) dalam grid yang mempunyai resolusi waktu 3-jam dan resolusi spasial 

' 

0,25° X 0,25° dalam cakupan global 50° lintang selatan sampai 50° lintang utara. 

Algoritma 3842 terdiri dari 4 tahap; (1) estimasi presipitasi berbasis mikrowave, (2) 

estimasi presipitasi infrared (IR), (3) estimasi gabungan mikrowave dan IR, dan (4) 

penskalaan ulang (rescaling) untuk data bulanan/1 0 harian. 

Data TRMM dianalisis melalui tahapan berikut: 

1. Menguji kesesuaian pola curah hujan TRMM dengan pola curah hujan 

observasi 

2. Pengelompokkan/klastering curah hujan dengan metode Ward 

3. Penentuan dasarian dan kalender tanam potensial perklaster berdasarkan 

kebutuhan padi terhadap air 

4. Penentuan curah hujan ekstrim dengan persamaan: 

X= X- /J(r + Jn( -Jn( F))) 

(2.1) 

dengan: 

x = curah hujan rata-rata 

j3 = 0,557 (konstanta Euler) 

r = o,7a s 

S = deviasi standar 

x = intensitas curah hujan ekstrim 

F = (n-1)/n 

n = jumlah data 

Agar mendapatkan jumlah kluster yang optimum untuk setiap pulau, maka analisis 

curah hujan TRMM dibagi perwilayah/pulau. Pembagian wila5'an diperlihatkan pada 

gambar 2.1. Wilayah klastering tidak hanya meliputi daratan tetapi juga mencakup 

lautan dengan tujuan agar dapat melihat indikasi interaksi antara curah hujan di 

daratan dan di lautan melalui klast~ 

8

o 'iO uxr 1~ ")0 '&~ 300 3!'io 4flo 

C.n ... ot•d b)l NASA'• (;fcwonf'\i (QiOVOf'\ni q•f.e.no•o.QOV) 

I :6 °LU -6 °LS, 95°BT -107.5 °BT 

II: 6 °LS -12°LS 95° BT -130 °BT 

Ill: 6°LU -6 °LS, 107.5°BT -120°BT 

IV: 6 °LU -6 °LS, 120° BT- 130 °BT 

V: 6 °LU -12 °LS, 130° BT- 142.5°BT 

Gambar 2.1 Pembagian wilayah dan batas lintang bujurnya 

Beberapa asumsi diterapkan dalam penelitian ini, yaitu: 

1. Fenomena El Nino, La Nina dan Dipole mode yang terjadi dalam rentang data 

yang digunakan dalam penelitian ini, tidak berpengaruh secara signifikan 

terhadap pola dan intensitas curah hujan di Indonesia 

2. Dasarian potensial adalah dasarian dengan curah hujan minimal 50 mm 

3. Waktu tanam padi rata-rata adalah 120 hari 

4. Kalender tanam ditentukan hanya berdasar ketersediaan air hujan tidak 

memperhitungkan faktor teknis pertanian seperti irigasi/subak dan lain-lain 

Langkah-langkah dalam analisis klaster dimulai dengan pendeteksian 

outlier, uji multi kolinearitas, analisis komponen utama, penerapan analisis 

klasternya itu sendiri dan terakhir validasi dan interpretasi. 

2.1 Pendeteksian Outlier 

Analisis klaster sensitif terhadap outlier (objek yang sangat berbeda dari 

objek-objek lainnya). Adanya outlier dapat menjadikan klaster yang diperoleh tidak 

merepresentasikan struktur populasi yang sebenarnya. ~ Untuk alasan ini, 

pendeteksian terhadap outlier selalu diperlukan. Pendeteksian outlier secara 

multivariat dapat dilakukan dengan menggunakan jarak Mahalanobis (D2) kemudian 

membaginya dengan qer~jat b~b~ (em yang qernil~! sama dengan jumlah variab~l . 

Sehingga nilai (D2/df) mengikuti nilai distribusi t. Kemudian dihitung nilai peluang 

(signifikansi) dari nilai (D2/df) tersebut. Data yang signifikansinya lebih kecil dan 

9

sama dengan 0,001 dianggap sebagai outlier (Hair eta/., 1998 dalam Ayahbi, 2009 

dan Yuliani, 2009). Data yang diidentifikasi sebagai outlier harus dianalisis apakah 

merepresentasikan populasi atau tidak merepresentasikan populasi. Jika dinilai tidak 

. 

merepresentasikan populasi, data harus dibuang. Namun, perlu diperhatikan apakah 

penghapusan outlier dapat mengubah struktur data yang sebenarnya. 

2.2 Uji multikolinearitas 

Multikolinearitas antar variabel adalah salah satu pelanggaran asumsi 

dalam analisis klaster (Hair, et a/. , 1998 dalam Ayahbi, 2009 dan Yuliani, 2009). 

Multikolinearitas adalah suatu keadaan dimana terdapat hubungan linier sempurna 

atau hampir sempurna antara beberapa atau semua variabel. Salah satu cara untuk 

mendeteksi ada tidaknya multikolinearitas adalah dengan menggunakan bilangan 

kondisi. Bilangan kondisi ditentukan dengan rumus : 

k= Arnax 

Arnin 

'A adalah nilai eigen dari matriks kovarians variabel. 

(2.2) 

Batas-batas bilangan kondisi untuk mendiagnosa multikolinearitas adalah sebagai 

berikut: 

• bilangan kondisi < 100 ; terjadi multikolinearitas lemah 

• 100 ~bilangan kondisi ~1 000; terjadi multikolinearitas sedang sampai kuat 

• bilangan kondisi > 1000 ; terjadi multikolinearitas sang at kuat 

Jika setelah dideteksi ternyata diketahui bahwa terdapat multikolinearitas antar 

variabel, maka untuk mengatasinya adalah dengan menerapkan analisis komponen 

utama terlebih dahulu pada data curah hujan bulanan TRMM yang nantinya akan 

terbentuk sejumlah komponen utama yang saling orthogonal. Komponen utama ini 

yang dijadikan sebagai variabel baru untuk input dalam analisis klaster. 

2.3 Analisis Komponen Utama 

. ' 

Johnson dan Wichern (1992, dalam Ayahbi dan Yulian i, 2009) 

mendefinisikan komponen utama sebagai salah satu bentuk transform asi variabel 

yang merupakan kombinasi linier-dari variabel. Proses pembentukan komponen 

utama adalah sebagai berikut: 

10

1) Matriks X merupakan data pengamatan curah hujan bulanan yang berukuran np 

dengan, n = objek (grid) ; n = 1 ,2, 0 

0 0, 900 

p = variabel (curah hujan bulanan); p = 1,2, 000, 

120 

X nxp = 

x 11 x 12 

00000 

X 21 X 22 000000 

0 x 

X 

1 P 

2p 

(203) 

X nl X n2 ooooooo X np 

2) Dari matriks X, dicari matriks kovariansnya ( Spp ) 

Su s12 ······ sip 

S21 S22 ······ 8 2p 

S=i· 

. 

(2.4) 

spl sp2 ....... sPP 

3) Tentukan nilai eigen dari matriks kovarians, misalkan At, A2, 0 

A 1;::: A2;::: 0 0 00 >oAp;:::o 

00 00 00 000 Ap, 

dengan 

4) Tentukan vektor eigen ke-j untuk nilai eigen ke-j U=1,2, 0 0 oop), misalkan VJ = Vtj, 

V2j,o ooooo, Vpj 

5) Berdasarkan matriks eigen, maka komponen utama yang terbentuk adalah: 

PC1 =zjvjl =z1v11 +z2v21 + ... +zpvjl 

PC2 =zjv2 =z1v12 +z2v22 + ... +zpvj2 

(205) 

PCP =zjvjp =zlvlp +z2v2p + ... +zpvjp 

6) Kriteria yang digunakan untuk menentukan berapa komponen yang dapat 

dibentuk adalah kriteria persen varianso Jumlah komponen utama yang 

digunakan memiliki persentasi kumulatif varians minimal 80% (Rencher, 2001 )0 

7) Menghitung komponen skor (PCj) yang akan digunakan sebagai input untuk 

analisis klastero Komponen skor yang diperoleh dari m komponen utama (dimana 

m

Yil = elxi 

Yi2 = e2xi 

l(2.6) 

Yik = ekxi 

2.4 Penentuan jumlah klaster 

Jumlah klaster awal diperlukan pada metode Ward. Jumlah klaster 

ditentukan dengan dendogram. Dendogram berupa gambaran grafik (diagram 

pohon), yang mana setiap objek disusun pada satu sumbu, dan sumbu lainnya 

menggambarkan langkah-langkah pada prosedur hierarkhi. Pada tahap awal, setiap 

objek digambarkan sebagai klaster yang masih terpisah. Dendogram menunjukkan 

secara grafik bagaimana klaster-klaster bergabung pada tiap tahap prosedur hingga 

semua objek terkandung dalam satu klaster. 

2.5 Validasi klaster 

Validasi adalah usaha untuk meyakinkan bahwa solusi atau kelompok 

klaster yang ada telah mewakili populasi penelitian, dan berlaku umum untuk objek 

lain serta stabil dari waktu ke waktu. Validasi pada metode Ward dilakukan dengan 

membagi data secara acak menjadi dua bagian. Kemudian lakukan analisis klaster 

dengan masing-masing metode pada setiap bagian data. Hasil pengklasteran 

dikatakan valid apabila hasil pengklasteran pada 2 bagian tadi mirip dengan hasil 

pengklasteran pad a data asli (Rencher, 2001) dengan cara menghitung selisih 

antara objek anggota klaster bagian kesatu dengan bagian kedua, yang memiliki 

selisih nol paling banyak maka itu adalah jumlah klaster terbaik. 

2.6 Analisis klaster 

Metode Ward adalah teknik untuk memperoleh klaster yang memiliki 

varians internal sekecil mungkin. Ukuran yang digunakan adalah Sum Square Error 

(SSE) variabel. Proses pengelompokan adalah melalui tahapan berikut ini: 

Langkah 1. Dimulai dengan memperhatikan N kelompok subjek dengan satu subjek 

per kelompok. SSE (sum square error) akan bernilai nol untuk tahap 

pertama karena setia~bjek atau individu akan membentuk klaster. 

. ~ 

12

Langkah 2. Kelompok pertama dibentuk dengan memilih dua dari N kelompok ini 

yang bila digabungkan akan menghasilkan SSE dalam nilai fungsi 

l 

tujuannya. 

Langkah3 .N -1 kumpulan kelompok kemudian diperhatikan kembali untuk 

menentukan dua dari kelompok ini yang bisa meminimumkan tujuan. 

Dengan demikian N kelompok secara sistematik dikurangi menjadi N - 

1, lalu menjadi N - 2 dan seterusnya sampai menjadi satu kelompok. 

SSE dalam metode Ward ini dihitung berdasarkan persamaan berikut: 

p n 2 1 n 

[ ( J 2J 

SSE=~ . ~Xij - n ~Xij 

(2.7) 

j=l l=l 

l=l 

dengan: 

xij adalah nilai varia bel ke-ij 

p adalah banyaknya variabel yang diukur 

n adalah banyaknya objek dalam klaster yang terbentuk 

Tahapan pengolahan data sampai mendapatkan klaster dirangkum dalam bagan 

dibawah ini: 

. 

/Download data curah hujan 1 cY 

harian TRMM 3842 Versi 6 

dengan resolusi 0,25 x 0,25° 

periode 1998 sampai 2009 

' 

···--··· ···--·························································· ................ ........................... ---------······ ................................. ···········-····· ·-·---------········· 

..) 

Tahap awal 

I 

Uji outlier 

. 

I 

Deteksi 

multikolinearitas 

Signifikansi:;; 0,001 K > 1000 ; 

teriadi multikolinearitas sanaat kuat 

UOU O UUUUU mm 0 I 

r 

uuuuumm, OU O U OUUUUUUUU 

Anal isis 

komponen 

utama 

' 

~ 

I 

I 

Convert data ke 

format excell 

Tahap lanjut 

000 0 UOOU UUO UUUUUUUOUUUu UOUUUOUOUUUOUOUOU UUO •0 Oo UUUOUUU mmmUUUUUUUUOUo 

Klastering: 

- 

Ward 

Dendogram 

Tahap utama 

Penentuan 

jumlah klaster 1·1 Validasi klaster 

Gambar 2.2 Bagan alur penentuan klaster dengan metode Ward 

13

Setelah diperoleh klaster-klaster, kemudian ditentukan curah hujan rata-rata 

l 

perklaster untuk mendapat dasarian potensial (dasarian dengan curah hujan ;:: 50 

mm) dan kalender tanam potensial (12 dasarian potensial) seperti diperlihatkan 

dalam bagan di bawah ini: 

Klaster yang telah divalidasi 

.... 

Penentuan curah hujan rata-rata 

per klaster 

;:: 50 mm/dasanan 

{ Dasarian potensial J I 

( Kalender tan am potensial ) I 

12 dasarian potensial 

Gambar 2.3 Bagan alur penentuan dasarian dan kalender tanam potensial 

3 HASIL DAN PEMBAHASAN 

3.1 Konfirmasi data curah hujan TRMM dengan curah hujan observasi 

Langkah awal sebelum dilakukan klastering adalah pengujian kesesuaian 

data curah hujan TRMM dengan data curah hujan penakar yang diperoleh dari 

Badan Meteorologi, Klimatologi dan Geofisika (BMKG). Perbandingan pola curah 

hujan TRMM metode Ward dengan pola curah hujan observasi di Kalimantan Barat 

menunjukkan nilai korelasi lebih besar dari 0,7, seperti diperlihatkan pada tabel 3.1 

(Juaeni, 201 0). Perbandingan pola curah hujannya ditunjukkan pqdi Lampi ran A. 

Uji serupa dilakukan oleh Arief et a/. (2008) untuk lokasi lain, yaitu Sicincin 

Padang-Sumatera Barat (0,54 °LS; 100,30°8T), Supadio Pontianak-Kalimantan Barat 

(0, 15°LS; 109,40°8T), Kayuwatu Manado-Sulawesi Utara (1 ,55°LU; 124,92°8T) dan 

Kemayoran Jakarta (6, 15°LS; 1 06,~ 0 8T). 

Hasil yang diperoleh menunjukkan 

adanya korelasi yang baik, yang ditunjukkan oleh adanya koefisien korelasi yang 

14

tinggi (r = 0,8) untuk semua daerah yang ditinjau di atas. Secara ringkas hasil 

tersebut ditabulasikan pada tabel (3. 2). Perbandingan pola curah huj9nnya 

ditunjukkan pada Lampiran A. 

Tabel 3.1 Koefisien korelasi antara curah hujan rata-rata TRMM dengan curah 

hujan rata-rata observasi (Juaeni eta/., 201 0) 

Lokasi 

Koefisien korelasi antara pola curah hujan 

metode Ward (TRMM) dengan curah hujan 

observasi 

Ketapang 0,90 

Sambas 0,77 

Sintang 0,86 

Pangsuma (Kapuas Hulu) 0,73 

Tabel 3.2 Koefisien korelasi (r) antara curah hujan rata-rata TRMM dengan curah 

hujan rata-rata observasi lain (Arief eta/., 2008) 

No. Lokasi Perioda r 

1. Sicincin, Padang-Sumatera Barat 2002-2007 0,8 

(0,54°LS; 1 00,30°8T) (tanpa 2003) 

2. Supadio, Pontianak-Kalimantan 1998-2007 0,8 

Barat (0, 15°LS; 1 09,40°8T) 

3. Kayuwatu, Manado-Sulawesi 1998-2007 0,8 

Utara (1 ,55°LU; 124,92°8T) 

4. Kemayoran, Jakarta Pusat 1998-2007 0,8 ' 

(6, 15°LS; 1 06,85°8T) 

3.2 Hasil klastering 

Data curah hujan TRMM lulus uji deteksi outlier karena nilai signifikansi > 

0,001. lni menunjukkan bahwa dalam data (periode 1998 sampai 2009) tidak ada 

data yang sangat berbeda dengan data lainnya. Dalam kurun waktu tersebut 

. ' 

sebenarnya terjadi fenomena atmosfer El Nino (pada tahun 1997/1998, 2002/2003, 

2005/2006), La Nina (pada tahun 1999/2000) dan dipole mode negatif pada tahun 

1996. Uji outlier menunjukkan bahwa tidak ada perubahan curah hujan yang 

signifikan pada saat fenomena-fe11emena tersebut di atas te~adi, 

yang digunakan sudah tepat. 

berarti asumsi 

15

Deteksi multikolinearitas terhadap curah hujan 10 harian menunjukkan 

bilangan kondisi (k) >1 000 maka harus dilakukan anal isis komponen utama sebelum 

l 

analisis klastering. Hasil analisis komponen utama inilah yang kemudian menjadi 

input untuk analisis klaster. Berdasarkan dendogram yang terbentuk, data curah 

hujan TRMM akumulasi 10 harian menghasilkan 10 jumlah klaster untuk 3 wilayah 

dan 12 klaster untuk 2 wilayah. Klaster terbanyak yaitu 12 terdapat di Kalimantan 

dan Sulawesi atau wilayah tengah utara Indonesia (tabel 3.3). Dendogram dan 

jumlah klaster setiap wilayah diperlihatkan pada Lampiran B, sementara pola curah 

hujan rata-rata setiap klaster diperlihatkan pada Lampiran C. 

Tabel 3.3 Jumlah klaster dan pola curah hujan rata-rata setiap wilayah 

Wilayah Jumlah klaster Pol a 

I Sumatera 10 Monsunal dan ekuatorial 

II Jawa 10 Monsunal 

Ill Kalimantan 12 Monsunal dan Ekuatorial 

IV Sulawesi 12 Monsunal, Ekuatorial dan lokal 

V Papua 10 Lokal dan Ekuatorial 

Rangkuman jumlah klaster dan pola curah hujan rata-rata diperlihatkan 

pada tabel 3.3. Pola curah hujan yang ditunjukkan pada Lampiran C, menunjukkan 

secara umum tidak terjadi perubahan pola curah hujan di wilayah Indonesia untuk 

periode 1998 sampai 2009 (monsunal, ekuatorial dan lokal). Peta klaster untuk 

setiap wilayah diperlihatkan mulai gambar 3.1 sampai dengan gambar 3.5. 

Gambar 3.1 menunjukkan hasil klastering di Pulau Sumatera. Pulau 

Sumatera lokasinya berdekatan dengan lautan Hindia dan terletak di wilayah tropis 

memanjang memotong garis khatulistiwa. Bentuk permukaannya merupakan 

campuran dataran rendah dan pegunungan. Letak geografisnya menyebabkan pola 

hujan tidak hanya bergantung pada faktor-faktor dalam skala l9kal saja tetapi juga 

sangat dipengaruhi oleh kondisi lingkungan sekitar baik darat maupun laut dalam 

skala meso sampai skala global. 

til" 

16

6 

4 

2 

(.') 

z 

~ 0 

z 

::J 

-2 

-4 

-6 

96 98 100 102 104 106 

BUJUR 

Gambar 3.1 Klaster-klaster di wilayah I (P. Sumatera) 

Penerapan metode kluster Ward pada wilayah Sumatera menghasilkan 

jumlah klaster yang sama, baik di bagian utara khatulistiwa maupun di bagian 

selatannya. Pulau Sumatera terbagi dalam 6 (enam) klaster dengan tiga klaster di 

utara dan tiga klaster di selatan yang terbagi dengan luas yang tidak merata. Lautan 

disekitar pulau Sumatera ter klaster dalam 8 area. Didaratan ada dua klaster besar, 

satu terletak di utara sedangkan satu lagi terletak di selatan. Klaster besar sebelah 

utara memanjang sampai lautan sebelah timurnya, sedangkan klaster besar 

diselatan mencapai lautan di sebelah baratnya. Klaster-klaster kecil di daratan 

Sumatera adalah klaster-klaster lautan yang mencakup daratan. lni diidentifikasi 

sebagai hasil interaksi darat dan laut. Area klaster yang terbagi dua menunjukkan 

faktor geografis/posisi lintang sangat kuat pengaruhnya dalam membentuk 

kelompoklklaster curah hujan di Sumatera . 

.... 

17

·b 

0 

z -~ 

~ 

~ 

z .m 

- j 

-11 

% 1m W8 1W 118 11~ 118 n~ 

BUJUR 

Gambar 3.2 Klaster-klaster di wilayah II (P. Jawa, Bali dan NT) 

Pulau Jawa secara geografis berada di sebelah selatan garis khatulistiwa 

yang dalam kajian meteorologis memiliki pola hujan monsunal, yang berarti bahwa 

dalam satu tahun terdapat satu puncak intensitas curah hujan (umumnya terjadi 

pada perioda bulan Desember, Januari dan Februari) dan satu puncak intensitas 

curah hujan minimum (rata-rata terjadi pada perioda bulan Juni, Juli dan Agustus). 

Wilayah Jawa berbatasan dengan laut baik di sebelah utara dan maupun di selatan 

dengan karakteristik oseanografis yang berbeda. Hal ini berdampak pada 

karakteristik curah hujan di daerah-daerah dekat pantai utara maupun selatan. 

Penerapan metode klaster pada wilayah ini (dalam penelitian ini digunakan 

dua metode klastering, yaitu metode Ward dan metode Hard (Lampiran C) akan 

memberikan variasi yang penting sebagai kajian : bagaimanakah variabilitas utama 

curah hujan di wilayah ini, dan apakah diakibatkan pengaruh meteorologis regional 

ataukah kondisi lokal. Secara visual, wilayah sampel daratan pulau Jawa 

memperlihatkan ada dua klaster (gambar 3.2). Pada metode Ward , diperoleh hasil 

bahwa di bagian pantai utara Jawa keseluruhannya berada

sekitarnya. Di P. Jawa hanya ada dua klaster, Bali dan Nusa Tenggara masingmasing 

mempunyai satu klaster. Agar mendapat klaster yang lebih detil di masingl 

masing pulau, wilayah pengamatan harus diperkecil menjadi P. Jawa saja, P. Bali 

saja dan Nusa Tenggara saja. 

6 

4 

2 

(.9 

z 

-=t: 0 

f- 

z 

::::J 

-l~~llllllli! 

-4 

-6 108 110 112 114 116 118 120 

BUJUR 

Gambar 3.3 Klaster-klaster di wilayah Ill (Kalimantan) 

Pulau Kalimantan secara geografis melintang melalui garis khatulistiwa 

sehingga dalam kajian meteorologis dapat memiliki pola hujan yang variatif. 

Wilayahnya yang relatif datar dibanding pulau lainnya dapat berdampak variasi pola 

hujan yang ditentukan kondisi regional daripada lokal. 

. ~ 

Penerapan metoda klaster Ward pada wilayah sampel Kalimantan (gambar 

3.3) memperlihatkan variasi yang cukup banyak di bagian utara dibanding bagian 

selatannya. Secara visual daratan pulau Kalimantan terbagi dalam 8 (delapan) 

wilayah klaster dengan dua wilayah~aitu timur dan barat) terbagi secara dominan 

(area biru muda dan area hijau). Lautan disekitar pulau Kalimantan ter klaster dalam 

19

8 area. Wilayah selatan yang terbagi dalam 3 klaster dengan dominan area biru tua. 

Wilayah utara bervariasi dalam 6 area. Pada metoda ini terlihat pulau KaliiJlantan 

dipengaruhi kondisi lokal secara dominan dibanding pengaruh regional. 

6 

4 

0 

0 

2 

z 

4: 0 

f- 

z 

:::i 

-2mma~ 

-4 

-6 

120 122 124 126 128 130 

BUJUR 

Gambar 3.4 Klaster-klaster di wilayah IV (Sulawesi) 

Hasil klastering di Sulawesi dan sekitarnya menghasilkan 12 klaster 

(gambar 3.4). Daratan Sulawesi terbagi menjadi 5 klaster sedangkan lautan 

sekitarnya terbagi menjadi 12 klaster. Tidak tampak adanya klaster daratan mutlak 

atau yang tidak tergabung dengan lautan. Hal ini disebabkan luas daratan lebih 

sempit dibandingkan lautan sekitarnya, sehingga pola curah hujan lautan 

mempengaruhi pola hujan daratan. Kondisi lokal daratan dalam hal ini kalah 

dominan dibandingkan pengaruh lautan sekitarnya. 

~ 

20

6 

4 

2 

0 

C) 

:z -2 

karakteristik curah hujan yang tinggi dengan karakteristik lautan disekitarnya, 

sehingga berada dalam satu klaster yang sama. Hal ini dapat dijelaskan adanya 

l 

interaksi yang kuat antara atmosfer daratan dan lautan. lnteraksi atmosfer dan 

lautan merupakan salah satu aspek penting dalam mengkaji perilaku variabel 

atmosfer di wilayah benua maritim ini. Untuk penelitian selanjutnya yang hanya 

memerlukan klaster di daratan, wilayah pengamatan harus dibatasi pada 

wilayah daratan. 

2. Klaster di daratan terbentuk berdasarkan perbedaan area lintang tetapi klaster 

di daratan Kalimantan dan klaster di lautan juga menunjukkan perbedaan area 

bujur. 

Hasil klastering sangat tergantung kepada metode yang digunakan, 

metode yang berbeda akan menghasilkan hasil klastering yang berbeda pula. 

Sebagai perbandingan, juga dilakukan klastering dengan metode Hard (Lampiran 

C), tetapi metode Hard tidak dibahas lebih mendalam dalam penelitian ini. Untuk 

penentuan kalender tanam digunakan hasil klastering dari metode Ward. 

3.3 Dasarian potensial dan kalender tanam potensial 

Berdasarkan referensi berikut: Tupan dan Susanto (2002), Juliardi dan 

Ruskandar (2006), Sudjarwadi (201 0) padi memerlukan air 5 sampai 10 mm/hari/ha, 

maka kebutuhan air per 10 hari adalah 50 - 100 mm/ha. Berdasarkan informasi ini 

ditentukan dasarian paten sial yaitu dasarian dengan curah hujan ~ 50 mm/1 0 hari 

untuk seluruh klaster di daratan. Dasarian potensial secara lengkap untuk seluruh 

klaster diperlihatkan pada Lampiran D. Kalender tanam ditentukan jika dasarian 

potensial berjumlah 12 berturut-turut (120 hari). Jumlah dasarian ini ditentukan 

berdasarkan rata-rata umur tanaman padi (Ciherang , IR 64 110-120 hari, Ciherang 

115-125 hari, Cisokan 110-120 hari). Selanjutnya, dalam bab ini akan diuraikan 

dasarian potensial dan kalender tanam di lokasi sampel . sentra pangan yaitu 

Denpasar dan Tabanan, Magelang, Probolinggo, Tomohon di Manado dan Medan. 

Di Medan padi bisa mulai ditanam pada dasarian ke 5 sampai dengan 

.., 

dasarian ke 36. Jika dibantu irigasi pada dasarian ke 3, maka pad i bisa ditanam 

sepanjang tahun atau dalam setahun bisa 3 x tanam. lni berdasarkan curah hujan 

rata-rata klaster 8 di P. Sumatera (gambar 3.6, tabel 3.4). Di Probolinggo dan 

22

Denpasar, padi bisa mulai ditanam pad a dasarian ke 1, dengan dibantu irigasi mulai 

dasarian ke dasarian 12. Pad i dapat ditanam lagi di akhir tahun dengan bantuan 

irigasi pada dasarian ke 25 sampai dasarian 29. lni waktu yang tepat sesuai curah 

hujan rata-rata klaster 6 di P. Jawa (gambar 3.7, tabel 3.4). Di Magelang, pada 

dasarian 1 sampai 12 tersedia air hujan yang cukup untuk mengairi sawah (gambar 

3.8). Padi dapat ditanam lag i di akhir tahun dengan bantuan irigasi pada dasarian 25 

sampai dasarian 28. Di Manado, agak sukar menentukan kalender tanam karena 

diperlukan 12 dasarian berturut-turut, jika hanya berdasarkan dasarian potensial 

maka padi dapat ditanam akhir tahun mulai dasarian ke 30 sampai dasarian ke 5 

tahun berikutnya. Jika ingin dua kali menanam maka harus dibantu irigasi (tabel 3.4). 

Berdasarkan data di lapangan, Denpasar/Tabanan, Probolinggo dapat 

menanam padi dua kali setahun. Jika dikonfirmasi dengan jumlah dasarian potensial 

(gambar 3.7) maka di lokasi-lokasi tersebut hanya bisa menanam satu kali dalam 

setahun, ini berarti ada tambahan suplai air dari irigasi. Di Magelang air hujan tidak 

digunakan untuk mengairi sawah, karena pengairan sawah utama dari irigasi yang 

diambil dari sungai Bengawan Solo. Medan belum divalidasi karena tidak ada data 

lapangan. Data lapangan Manado menunjukkan bahwa padi ditanam 3 x kali dalam 

setahun, sementara jumlah dasarian potensial berdasarkan TRMM (gambar 3.9, 

tabel 3.4) maksimal hanya bisa dua kali tanam. lni berarti ada tambahan suplai air 

dari irigasi pada dasarian-dasarian yang tidak potensial. 

R.-tta-t .-n .-. C ut .-. h Huj.-.n Kl•1s t e 1 ke - 8 

1 60 .------,,------,,------.-------.-------.------~------~--~ 

140 

E 

..s 

140 

Rata~ata Curah Huj ... -.n Kl ... l s f e l ke -G 

120 

100 

E 

_§_ 80 

c 

., 

m 

:r: 

.c= 60 

~ 

(_) 

40 

20 

0 0 5 10 15 30 35 

Oasarian ke- 

Gam bar 3. 7 Curah hujan rata-rata klaster 6 di P. Jawa (Probolinggo dan 

Denpasar) 

160 

R.ata-lat ... l C u1 ... -,h Huj .. 1n Klaste1 ke -3 

140 

120 

E'1DD 

_§_ 

., ~ 

80 

:r: 

.c= 

~ 60 

(_) 

40 

20 

0 0 5 10 15 20 25 30 35 

Oasarian ke - 

Gambar 3.8 Curah hujan rata-rata klaster 8 di P. Jawa (Magelang) 

140 

R.tt.l-hlt.l Cu1.1h Huj;m Kl.tsteo ke . 9 

120 

E 

..§_ 

c 

., m 

:r: 

.c= 

~ 

(_) 

100 

80 

60 

40 

20 0 5 10- 15 20 25 30 35 

Dasarian ke · 

Gambar 3.9 Curah hujan rata-rata klaster 9 di P. Sulawesi (Manado) 

24

- - 

- 

-- 

Tabel 3.4 Periode ketersediaan air(~ 50 mm/dasarian) untuk lokasi sampel sentra pangan (Medan, Magelang , Probolinggo, 

Denpasar/Tabanan dan Manado/Tomohon) ditunjukkan dengan shading warna hijau 

Medan (klaster 8 wilayah I) 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 

Waktu 

tan am 

- - 

~c 

- -·- - - 

12 

35 36 

I 

' 

Magelang (klaster 8 wilayah II) 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 

Waktu 

tan am 

-- - - --- --~ 

- 

- --~ - "- - '---- - - 

L~ 

-~ - '--~ 

12 

- 

I 

35 36 

I 

Probolinggo (klaster 6 

wilayah II) 

- 

Bulan ko 1 2 3 4 5 6 7 8 9 10 11 

Du"'nrlnn ke 1 T 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 

Wnkhr 

1111111111 

~ 

' 

' 

12 

35 36 

25

Denpasar/Tabanan (klaster 6 wilayah II) 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

Manado (klaster 9 wilayah IV ) 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarlan ke 1 -2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

I 

26

Pola curah hujan dan dasarian-dasarian potensial klaster daratan lain 

selain klaster-klaster sampel di atas, diperlihatkan pada Lampiran D dan E. Dari 

l 

seluruh hasil di atas, maka kalender tanam berdasarkan TRMM menunjukkan 

terdapat tiga macam kalender tanam yaitu dua kali waktu tanam dalam setahun, 

satu kali tanam setahun dan tiga kali tanam atau sepanjang tahun menanam. Dua 

kali menanam padi dalam setahun terjadi di P. Jawa, Sumatera, Kalimantan dan 

Sulawesi. Daerah dengan satu kali tanam sepanjang tahun adalah Bali dan Nusa 

Tenggara, karena hujan dengan intensitas yang cukup hanya terjadi di awal tahun. 

Sedangkan di Sumatera Barat dan Papua waktu tanam hampir bisa dilakukan 

sepanjang tahun. 

3.4 Curah hujan ekstrim 

Ketahanan pangan sangat tergantung kepada hasil panen, sementara hasil 

panen sangat tergantung kepada terpenuhinya kebutuhan air dan masalah-masalah 

lain seperti pengendalian hama dan sebagainya. Untuk terpenuhinya kebutuhan 

akan air, sawah-sawah tadah hujan sangat tergantung kepada hujan. Air hujan 

diperlukan dalam jumlah yang cukup, tidak terlalu banyak dan tidak kurang. Dengan 

demikian peta curah hujan ekstrim sangat diperlukan untuk mengetahui lokasi yang 

sering terjadi curah hujan ekstrim dan intensitas curah hujan ekstrimnya. lnformasi 

ini sangat berguna untuk mendukung dikembangkannya sistem ketahanan pangan. 

Dalam penelitian ini curah hujan ekstrim di wilayah Indonesia berdasarkan data 

TRMM ditentukan dengan perhitungan (persamaan 2.1 ). 

Curah hujan ekstrim yang dibahas disini adalah curah hujan ekstrim tinggi 

dan berpedoman pada data curah hujan rata-rata, maka lebih tepat jika dikatakan 

curah hujan ekstrim potensial. Curah hujan ekstrim potensial ini sudah memenuhi 

dua persyaratan sebagai curah hujan ekstrim yaitu intensitas yang besar dan jarang 

terjadi (frekuensi rata-rata 1 sampai 2 kali dalam setahun , gambar 3.11 ). Pada 

gam bar 3.10 tampak bahwa curah hujan ekstrim diwilayah. lndonesia berkisar antara 

80 sampai 180 mm/1 0 hari. Wilayah Indonesia bag ian timur, curah hujan ekstrimnya 

lebih tinggi dibandingkan wilayah Indonesia bagian barat. Jika dikaitkan dengan 

resiko maka curah hujan ekstrim ini akan mengakibatkan sawah terlalu basah 

(karena kebutuhannya hany~ 50-100 mm/10 hari) apalag i jika air hujan 

27

menggenangi sawah dalam 

panen. 

yang cukup lama, maka akan terjadi 

gagal 

15 b .• ( •" - ... ~.. .. ~ t "\ ___ 'f-.._:C =-:: .. -2 ! - .--!_ 

1 

-15 ~ ~ . . - 

95 100 105 110 115 120 125 130 135 140 145 

360 

340 

320 

300 

280 

260 

240 

220 

200 

180 

160 

140 

120 

100 

80 

60 

40 

Gam bar 3.10 Peta curah hujan ekstrim (mm/1 0 hari) 

15 ~ 

10 

... 

2 

1---' ..._ ) I I I I I ,.__.., ...L.:_ 

15 

95 100 105 11 0 115 120 125 130 135 140 145 

- I I I I I I 

- 

Gambar 3.11 Peta frekuensi curah hujan ekstrim (kejad ianltahun) 

28

Pembahasan ka lender tanam dan curah hujan ekstrim terkait ketahanan 

pangan dalam makalah ini sengaja dibatasi pada pembahasan umum saja, t ~dak 

terlalu detil mengingat kalender tanam sangat erat kaitannya dengan aktivitas 

pertanian dengan segala aspeknya yang memang tidak dicakup dalam penelitian ini 

karena penelitian ini bersifat sebagai informasi untuk mengembangkan pemanfaatan 

data curah hujan TRMM. Untuk menghasilkan klaster seperti diatas diperlukan data 

minimum satu tahun, namun jika hanya satu tahun maka klasternya hanya berlaku 

pada tahun tersebut. Dalam penelitian ini digunakan data curah hujan rata-rata 

selama 12 tahun, sehingga berlaku secara umum. 

4 KESIMPULAN DAN SARAN 

Curah hujan TRMM sangat berguna dalam mengkaji lebih mendalam 

perilaku curah hujan dan faktor-faktor yang mempengaruhinya karena kemiripan 

polanya dengan curah hujan observasi. 

Dalam penelitian ini, ada beberapa hal penting yang diperoleh: Pertama, 

ada keterkaitan antara pola curah hujan atau klaster curah hujan dengan geografi 

dan topografi. Kedua, aspek interaksi atmosfer dan laut sangat menonjol di wilayah 

Indonesia terlebih di pulau-pulau berukuran kecil. Ketiga, karakter curah hujan di 

lautan lepas berbeda dengan di daratan. Keempat, pengembangan pemanfaatan 

data TRMM dapat ditunjukkan dengan ditentukannya dasarian-dasarian potensial 

per wilayah untuk menetapkan kalender tanam potensial. 

Dari aspek manfaat, selain berisi konfirmasi terhadap hasil sebelumnya, 

penelitian ini juga sangat bermanfaat untuk mendukung terciptanya sistem 

ketahanan pangan baik skala lokal maupun nasional. 

Teknik klastering Ward cukup baik dalam mengklaster curah hujan di 

wilayah Indonesia, tetapi perlu juga dilakukan uji terhadap metode klastering 

lainnya sebagai bahan perbandingan. Perbandingan dengan klastering yang 

menggunakan data penakar curah hujan perlu dilakukan agar h~siJ yang diperoleh 

memiliki ting~at kepercayaan yang tinggi. 

PUBLIKASI: 

Penelitian ini fllenghasilkan 4 makala~enelitian, satu makalah sudah terbit dalam 

Jurnal Sains Pirgantara-LAPAN terakreditasi, dua makalah sudah terbit dalam Berita 

29

lnderaja-LAPAN, satu makalah diajukan dalam Seminar Sains Atmosfer dan lklim, 

15 November 2010. Makalah lengkap ditampilkan pad a Lampi ran F. 

DAFTAR PUSTAKA 

Arief Suryantoro, Teguh Harjana , Halimurrahman, 2008. Variasi Spasiotemporal Curah 

Hujan Indonesia Berbasis Observasi Satelit TRMM, Prosiding Workshop Aplikasi 

sains Atmosfer : Sains Atmosfer Oa/am Mendukung Pembangunan Berkelanjutan, 

ISBN 978-979-1458-25-2, Pusat Pemanfaatan Sains Atmosfer dan lklim LAPAN, 

Bandung 1 Desember 2008, hal. 175-186. 

Ayahbi, R., 2009. Pengelompokkan karakteristik curah hujan di wilayah Sumatera Barat 

menggunakan metode Ward, Skripsi, Jurusan Statistika Fakultas Matematika dan 

1/mu Pengetahuan A/am, Universitas Padjadjaran-Jatinangor. 

Tupan dan Susanto; 2002. Studi perbandingan kebutuhan air irigasi di Jawa Timur 

berdasarkan metode faktor palawija relatif dan metode net field water requirement, 

Tugas Akhir Jurusan Teknik Sipil, Petra Christian Uiversity. 

Degaetano, A. T.; 1996. Delineation of mesoscale climate zones in the Northeastern 

United States using a novel approach to cluster analysis, Journal of Climate, 9. 

Haryoko, U. , 2009. Pewilayahan hujan untuk menentukan pola hujan (contoh kasus 

Kabupeten I ndramayu), http://www. staklimpondokbetung. neUpublikasi/ didownload 

Juli 2009. 

Juaeni, 1.; Halimurrahman, Risana Ayahbi, Noersomadi, Nurzaman; 2009. Karakteristik 

Atmosfer dan lklim Sumatera Barat. Laporan Penelitian RIK-LAPAN 2009. 

Juaeni, 1.; Dewi Yuliani, Risana Ayahbi, Noersomadi, Teguh Hardjana, Nurzaman; 2010. 

Pengelompokan Wilayah Curah Hujan Kalimantan Barat Berbasis Metoda Ward dan 

Fuzzy Clustering, Jurnal Sains Dirgantara, 7,2, LAPAN. 

Juliardi dan Ruskandar; 2006. Teknik Mengairi Padi Kalau macak-macak cukup, mengapa 

harus digenang? Balai Besar Penelitian Padi. 

Rencher, A. C.; 2001 . Methods of Multivariate Analysis, Second Edition, A Wileylnterscience 

Publication, United States. 

Sudjarwadi ; 2010. lrigasi-1. Diktat kuliah Jurusan Teknik Sipil, UGM, Yogyakarta. 

Yuliani, D., 2009. Pengelompokkan karakteristik curah hujan di wilayah KaJimantan Barat 

menggunakan Fuzzy Clustering, Skrips1~ Jurusan Statistikct Fakultas Matematika 

dan 1/mu Pengetahuan A/am, Universitas Padjadjaran-Jatinangor. 

http://trmm.gsfc.nasa.gov/ didownload Maret 2009. 

30

LAMPIRAN A 

Perbandingan pola curah huja observasi di beberapa lokasi 

dengan pola curah hujan TRMM 

600 

Keta p ang 

e 

.§. 

c 

500 

400 

1 300 

~ 

a 200 

100 

..... , 

..... , 

..... , 

, 

, 

/ 

Observasi 

0 

1 2 3 4 5 

6 7 8 9 

Bulanke 

10 11 12 

350 

300 

e 

250 

t 200 

~ 

~ 150 

3 

100 

so 

- Observasi 

--ward 

0 

2 3 4 5 

6 7 8 9 

10 11 12 

Bulan k e 

500 

450 

400 

350 

e 

.§_ 300 

c 

j 250 

-

Lanjutan Lampiran A 

Korelasi Pola CH terestrial dan CH-TRMM (3843) 

Sicincin, Padang 2002-2007 (tanpa 2003); r = 0,8 

700 

600 

I soo 

~ 400 

0 300 

200 

100 

800 

700 

600 

I 500 

400 

0 

l 

300 

200 

100 

0 


Daerah Supadio, Pontianak Tahun 1998-2007; r = 0,8 

13 25 37 49 61 73 

t (bulan) 

85 97 1o9 I 

r=- CH terestrial 

-a- CHTRMM 

900 

800 

700 

-600 

I ~ 500 

i 400 

(J 300 

200 


Daerah Manado Tahun 1998-2007; r = 0,8 

_ __j-=.- CH-terestrial t 

________j--CH-TRMM 

___ _ 

10 

~ l'!: ,,,,,,,,, ~ ,,,,,, ~ lliillllii ~ llliliiii rt, llllli~ I" .E .. , ~ ,,~ ,, - ,,, : ,,, 

t (bulan) 

- -- 

900 

800 

700 

! 600 

500 

0 400 

300 

200 

100 

0 


Daerah Jakarta Tahun 1998-2007; r = 0 ,8 

13 25 37 49 61 73 85 97 109 

t (bulan) 

32

LAMPIRAN 8 

Dendogram (kiri) dan jumlah klaster (kanan) metode Ward 

untuk setiap wilayah 

8.1 Wilayah I (P. Sumatera dan sekitarnya) 

X 10 4 

X 10 4 

2.-----.------.------.------.-----. 

1.6 

1.8 

1.6 

1.4 

1.2 

I 

0 . 2~ 

0 0 500 1000 1500 2000 

~ 161 1 

D 

e. 14 

f- "' 

g> 12 1 I 

"' ,., 

;;; 

;;; 1 

"' I ] 

2 

c 

8.3 Wilayah Ill (P. Kalimantan dan sekitarnya) 

X 10 4 

2 ~--~----~----~----~----- 

1.8 

g' 1.6 

.c " 

~1.4 

.... 

g'1.2 

.. 

>- 

~ 1 

S2 

~ 0.8 

c 

LAMPIRAN C 

Metode klastering Hard dan hasilnya 

C.1 Metode klastering Hard 

Metode Hard atau K-means mengklasifikasikan objek berdasarkan 

kesamaan menjadi k bagian. Tujuan utamanya adalah menentukan rata-rata k dari 

data berbasis distribusi gaussian dengan cara memperoleh variansi antar klaster 

,... 

ll =I: I: l:1;j - tt; l 2 

yang minimal atau fungsi kesalahan kuadrat (V) yang minimal. 

i-lJ'JES, 

Dimana k= jumlah klaster Si, i = 1 ,2, ... ,k 

!Ji = centroid atau titik rata-rata dari titik-titik dalam klaster 17 J E S;. 

Langkah pertama dimulai dengan pembagian data input menjadi k kumpulan data, 

yang ditentukan secara acak atau berdasarkan data historik. 

Langkah selanjutnya menghitung titik rata-rata atau centroid untuk setiap kumpulan 

data. Maka akan terbentuk partisi data yang menghubungkan setiap titik dengan 

centroid terdekat. 

Selanjutnya menghitung centroid untuk klaster baru, langkah kembali berulang 

(iterasi) sampai terkonvergensi, atau tidak ada lagi titik yang sesuai dengan klaster 

atau centroid tidak lagi berubah. 

Algoritma ini sangat populer karena konvergensi terjadi dengan cepat, tetapi 

kelemahannya adalah asumsi jumlah klaster sangat mene!ltukan, sehingga 

perbedaan asumsi awal akan menghasilkan cluster yang berbeda. Variansi 

terrendah yang diperoleh tidak menjamanin nilai variansi minimum global. 

tiP 

35

C.2 Hasil klaster metode Hard 

I Sumatera 10 

II Jawa 12 

III Kalirnan tan 17 

IV Sulawesi 11 

V Papua 13 

Visualiasi klaster-klaster dengan merode Hard perwilayah diperlihatkan pada 

gambar-gambar di bawah ini. 

36

122 124 126 128 130 

132 134 1]) 138 140 142 

3

LAMPIRAN D 

Pola curah hujan di klaster-klaster daratan yang digunakan untuk menent4kan 

kalender tanam potensial 

0.1 Pola curah hujan di wilayah I (Sumatera) 

Rat,l-..1-Jf.'l Cmah Hllj.ln KI-.H~et ke- 1 

1~,---~----~----~----~----~----~-----. 

Raraoo~at.l Cmah Hujan Klo1stet ke- 2 

I 

140 

120 

·5- 100 

:I: 

= 

l! 

8 00 

J 

E' 

.s 

c 

~ 

5' 

:I: 

= 

\5 

(.) 

~ 

400 

5 

10 15 20 25 3J 35 

Dasarian ke - 

0 o 5 10 15 20 25 3J 35 

Dasarian ke- 

Rald-ltll~l C UI ah Hujiln Kl.nlea ke- 3 

140.---~----~----~--~~----~----r----,-, 

R~lta-hltd Cm ~1 h Hujo1n Klas.tel ke--' 

180.---~----~-----r--~~----,-----~----r-o 

140 

E 

.§.. 

c 

~ 

5' 

I 

= 

5 

u 

100 

80 

60 

E 

.§.. 

c 

120 

·5- 100 

I 

= 

5 

u 80 

40 

60 

200 5 10 15 20 25 30 35 

Dasanan ke- 

400 

5 10 15 20 25 30 35 

Oasarian ke - 

140 

Rata-aata C.ut.lh Huj.'ln Kl.,stet lte - 5 

R.1ta-aara Cmah Huj,l n Klastet ke- 6 

140r-----~----~----~------.-----~----~~--~-- 

120 

E' 

.s 

c 

5' 

:I: 

= 

~ 

(.) 

100 

., 

c 

:a: 

= 

~ 

u 

50 

0 o 5 10 15 20 25 30 

.. 

35 

Oasarian ke - 

40 • 

0 5 10 15 20 25 3J 35 

Oa-sanan • e - 

38

120 

110 

100 

90 

'E 00 

-5. 

c 

~ 

5' 

:I: 

""' 

8 

'E 

-5. 

c 

m 

~ 

""' 

5 

0 

Rat.l - l .lt ~l C m ~l h Hnj•m K l ~-.stel ke - 8 

1ro,----.r----.-----.----~----~----~----.-, 

140 

120 

20 o 5 10 15 20 25 :II 35 

Oasarian ke- 

20 

Oasarian ke- 

25 30 35 

D. 2 Pola curah hujan di wilayah II (P. Jawa, Bali dan Nusa Tenggara) 

RaM-Io"'la Cmah Huja n Kl.lst&l ke- J. 

R~-.ta-t .. -.M Cm .. l h Huj.ln Klaste1 ke . 6 

140,----.-----.-----.----~-----.-----.-----.-, 

~ 4()r 

\ I 

'E 

-5. 

c 

·s 

:r:: 

!! 

1 8 

00 5 10 15 20 25 :II 35 

Oasarian ke - 

O' 

0 5 1D 15 20 25 :II 35 

Dasarian ke - 

160 

Rata:...r.n..t Cu1..1h Huj.ln Kl .. lSiel ke - 8 

120 

R.lM--fata Cmah Huj•m KloJster ke. . 9 

140 

120 

E HIJ 

-5. 

c 

5' 00 

:r:: 

~ 

8 60 

j 

'E 

-5. 

c 

~ 

·s 

:r:: 

""' 

!5 

0 

40 

40 

20 

20 

Do 5 10 15 20 25 :II 35 

Dasarian ke - 

Do 5 10 15 20 25 :II 35 

Da~arian ke- 

39

0.3 Pola curah hujan di w11ayah Ill (Kalimantan) 

Rilla-oata Cuoah Hujan KJ-.o h - t R.Jta -rata Cm.ah Huj.m Klilster ke- 2 

!.SO 

,ffi I ' ' 

140 

120 

I. f\ I I E' 

-~ 00~ v \ I ~ i 

I 

.c 

8 ffir 

V\ A N 1 8 

40 

20 

II 

~ 

o I -vv 

' 

I 

I I I I 

' ' 20 

0 5 10 15 20 25 3) 35 0 5 10 15 20 25 30 35 

Dasarian ke- Oa sarian ke - 

Rata~ at a Cuo ah Hujan Klaster ke - 3 

110 13) 

1001 

I 

I i 

120 

110 

R.lta-4'at.l Ctuah Hujon Klaster ke -..t 

100 

E' oo 

'E 

v V\J\f~~ A~v 

90 

.s. 

.s. 

c 

·5- " 

70 ·5- 80 

I 

I 

.c .c 

"' 

!" 70 

(.) 

8 ffi " 

40~ ' I I \1 ~ 

40 

3) 

0 5 10 15 20 25 3) 35 300 5 10 15 20 25 30 35 

Oasanan ke- Dasarian ke - 

ffi 

50 

110r 

100 

1 

·n 

Rata-oata Cm ,lh Hujan Klasteo ke - 3 Rata-oata Cmah Hujan Klasteo ke - ~ 

130 

120 

110 

Vv\j 

'E oo 

.s. 

v I .,. 

90 

I 

·5- " .. 

70 

" 

I 

.c 

~ ED 

~ 

;; 

(.) (.) 

A 

3) 30 

50 

40 

100 

ffi 

50 

40 

. 

~ 

0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35 

Oasarian ke- Dasana" ke - 

.., 

40

1&1 

Rata~ata Cu&ah Hujan KlaSia ~. -S 

.I 

131 

120 

Rat,l ·lilt.l C mi~h Huj,ln Klastet ke- 6 

110 

100 

'E 

I ' \ 1\1\ 1 v e 

.§. .s. 

c 

m 

S' 

I 

.c 

'\/ 

~ 

u 

ffi 

~ 001 

\I\ ~ j 

II 

50 

4ll 

Oasanan ke- 

3J 

3J 35 0 

5 10 15 20 25 30 35 

Dasarian ke- 

:r. 

. . 

R.tM-rata Cu&.th Hujan Kloster ke -7 

. ,j 

100 

100 

14ll 

'E 

I \ A A /\ ~ I I 'E120 

.§. . 

] 50~ 

v 

.s. 

c 

·~ 100 

Rata-rata Curah Hujan Klaste& ke- 8 

\ !\ r \1 \)\ I~~ 

A 

" 

~ 

I 

.c 

!" 

u " 00 

ffi 

4ll 

3J 20 

0 5 10 15 20 25 3J 35 0 

Dasarian ke - 

5 10 15 20 25 30 35 

Dasarian ke - 

0.4 Pola curah hujan di wilayah IV (Sulawesi) 

RataHta Cm.th Hujan Kl.tste& ke - 1 

100r---~----~----r----.----~----r----.-, 

120 

Rata~ata Cmah Hujau Klaste& ke - 2 

~ 

100 

'E 

.§. 

c 

S' "' 

I 

.c 

"' 

u " 

00 

'E 

.§. 

c 

·s- "' 60 

I 

.c 

!" 

0 " 

40 

10 

oL----L ____ L_ __ _L ____ ~ __ _J ____ ~--~~ 

0 5 10 15 20 25 3J 35 

Oasarian ke- 

.... 

20 

0 0 

5 10 15 2!l 25 3J 35 

~,.,_ 

41

110 

R a t.l-lolt ~l Cm ah Hu j.:~n Kl 

00 

R.1M -1.1T.1 Cm.lh Hujan Kl~1ste1 ke - 5 

1[() 

90 

70 

00 

E' 

.s 

c 

.. 

5' 

.. 

:r: 

.c 

6 

:JU 

40 

liD 

e 

~g) 

~ 

:r: 

= 

!5 

0 

3J 

l1 

20 

200 5 10 15 20 35 

Dasarian ke - 

10 0 5 10 15 20 25 3J 35 

Oasarian ke - 

R ~lt .. l-laf,l Cuaah Hujan Klaste1 k.e -6 

100.-----.-----.---~-----,-----,-----,-----.~ 

Ra1.lAtlM Cur .. 1h Huj'tln Kl,lSte-1 ke - 7 

90.----r----r---~--~~--~--~----~ 

00 

E' 

.§.. 

c 

5' "' 

:r: 

""' 5 

u 

E' 

.§.. 

.c 

5 

(.) 

70 

5 10 15 20 25 l1 35 

Oasarian ke- 

3)0 

5 10 15 20 25 l1 35 

Dasarian ke- 

R .l"t.J -Iilta CutOlh Huj,'ln Klast&t ke -9 

140 ,-----.-----.---~----~------------------~ 

e 

.§.. 

c 

.5' "' 

::r:: 

= 

5 

0 

Oasarian ke- 

l1 35 

~ 

.... 

42

0.5 Pola curah hujan di wilayah V (Papua) 

140 

R.at.1-1Jta Cm.ah Hujan KIJS~e-1 ke -2 

Rar.J-rata Curah Hujalt KlaSfel ke.- 3 

120 

100 

E 

6 00 

~ 

~ 

5' 

I 

= 60 

~ 

(_) 

40 

JI_;J~ 

1\ 

~1 

E 

6 

~ 

., w 

I 

= 

~ 

(_) 

20 

00 5 

Oasanan ke- 

5 10 15 20 25 30 35 

Oasarian ke - 

110 

100 

90 

R~"'lta-hlt.l Cm ..)I\ Huj .. ln Klaste• ke - .a. 

Rat.l-tata Cmah Hujan KlaSfel ke- 5 

E 

6 

~ 

:r: 

"" 

00 

= 

50 

~ 

(_) 

40 

E 

6 

= 

!5 

(_) 

30 

20 

100 

5 10 15 20 25 

Dasarian ke - 

30 35 

40 o 5 10 15 20 25 30 35 

Oasarian ke- 

Rata-1.1t.:1 Cm~1h Huj

E.1 Wil~y 

f1 1 (Sumatera dan ~ekitarnya) 

~ 

2 3 I 4 

~ 7~ I 9110 I 1~ I 12,13 I 1 

LAMPIRAN E: Da~ 

~--ian 

5 

potensial (warna hijau) 

Klaster 1. '-------=----------------------~ 

~ · P. Enggano 

4 I I ~ 

7 8 9 10 11 I 12 

18 I 19 I 20 I 21 I 22 I 23 I 24 I 25 I 26 27 I 28 29 I 30 I 31 32 I 33 I 34 I 35 I 36 

tan am 

~ 

-........... 

: 1 I 2 I 

-- 

___./ l4' 2 3 4 5 6 7 

.---- 3 4 5 

r--sulan~ 

v ~ 

Klas~ I I I 

I I I I I I I I I I I I I I I 

e ~: Lampung 

8 9 10 11 12 13 14 15 16 

~ 

- 

7 8 9 10 11 12 

i

LAMPIRAN E: Dasarian potensial (warna hijau) 

E.1 Wilayah I (Sumatera dan sekitarnya) 

Klaster 1 : P. Enggano 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

- -- -- -- 

j 

Klaster 2: Lampung 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 - 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

-- --~--- 

L_ ___ ------- - . 

Klaster 3: Kep. Pagai 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

ton am 

- '---- 

~L-.-. 

--- - -- ~ 

-~ 

- 

' - - ·- 

. ·- 

Klaster 4: Sumatera Selatan, Bengkulu, Jambi, Sumatera Barat, Riau . 

111111111 kB 1 2 3 4 5 6 7 8 9 10 11 12 

- - - - ~ -- - - 

- 

- ----- ---- 

I ln•Hulnn ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34' 35 36 

Woktu 

tan am 

'- - --- ·-·--- 

____ , 

--· -· -·· ·-·· .... ·-- -··· 

44

Klaster 5: Jambi 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 

u 

36 

Waktu 

tan am 

··-· ----- ' - ~ ~ - c ~ --- . 

' --- 

Klaster 6: Kep. Nias, Kep. Siberut, Pantai timur Sumatera Utara 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

' 

~ --· ~·~~· -~ 

- 

1 

Klaster 7: Banda Aceh, Riau 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 - · 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tanam 

- - --- -- ----- ~ ---- ---- -L- 

. 

Klaster 8: Sumatera Utara, NAD 

.. 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarlan ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Woktu 

- 

-~ 

tnnum 

-' 

. 

~ -- - ' ·- 

I 

45

E.2 Wilayah II (Jawa, NT, Bali dan sekitarnya) 

Klaster 4: Nusa tenggara sebelah timur 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

. 

tanam 

I 

- '--- - 

Klaster 6: Jawa timur, Bali, NT sebelah barat 

Bulan ke • 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 38 

Waktu 

tan am 

- '--- 

Klaster 8: Jawa Barat, Jawa Tengah sebelah selatan 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 i 

• 

Waktu 

tan am 

I • 

111111111 ku - 1 2 3 4 5 6 7 8 9 10 11 12 

I)" ~ '" I"" ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 v35 36 

Wnktu 

ton om 

Klaster 9: Sebagian kecil NT . 

i 

46

.,-~ 

E.3 Wilayah Ill (P. Kalimantan dan sekitarnya) 

Klaster 1: Sebagian Sulawesi selatan 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

I 

I 

.. 

I 

Klaster 2: Kalimantan Selatan, sebagian Kalimantan Tengah dan Sulawesi Barat 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 .. 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 30j 

Waktu 

tan am 

Klaster 3: Samarinda, Balikpapan 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

~ - 

-- 

---· 

~ 

·- .___ - ---- ·--- -- 

- - ~ ~ 

~ 

I 

Klaster 4: Selat Karimata 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 3~ 34 35 36 

Waktu 

tan am 

~ 

--"- 

-·· 

~·-·- 

47

Klaster 5: Kalimantan Barat 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

Klaster 6: Kalimantan Tengah dan Kalimantan Timur 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 

Waktu 

tan em 

~ 

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 30 

- 

Klaster 7: Tanjung Redeb, Teluk Singkawang 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

I 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

I 

~ 

Klaster 8: Sambas dan Singkawang 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

. 

tan am 

- 

48

E. 4 Wilayah IV (P. Sulawesi dan sekitarnya) 

Klaster 1: P. Buton 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tanam 

.. - ··-~~. 

---· 

~ 

-~.- 

-· 

-------- -- ----- ------ 

Klaster 2: Sulawesi Selatan, Teluk Bone 

t 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarlan ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 . 34 35 3o 

Waktu 

tan am 

- 

Klaster 3: Kendari, P. Buru, Ambon 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

. 

I 

tan am 

# 

. 

- -- - - - - 

-~ 

·------- 

Klaster 5: Luwuk, Kep. Banggai 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 . 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

O

Klaster 6: Sulawesi Tenggara dan sebagian Sulawesi Selatan 

Dasa 

Waktu 

tonam 

2 I 3 

415161718 

4 5 6 

10 I 11 12 I 13 I 14 I 15 I 16 I 17 I 18 I 19 

Klaster 8: Sulawesi Utara 

Dasarian ke I 1 I 2 I 3 I 4 I 5 I 6 I 7 I 8 I 9 I 1 o I 11 I 12 I 13 I 14 I 15 I 16 I 17 I 18 I 19 I 20 I 21 

Waktu 

tan am 

~ 

tan am 

50

~ 

- 

- 

Klaster 6: Sulawesi Tenggara dan sebagian Sulawesi Selatan 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 1 2 1 3 4 1516 7 1 8 1 9 10111112 13114115 16 1 17 1 18 19 I 20 1 21 22 1 23 1 24 25 1 26 I 27 28 1 29 I 3o 31 1 32 1 33 34 1 35 1 36 , 

Waktu tanam 

J _J -· L I L L_ _I J l _I I l I I I I I I I I _ ~- L_ I __ _ _l_j,_ _l 

Klaster 7: Sulawesi Tengah, Sulawesi Barat, Sulawesi Utara 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

.. 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 3536 

Waktu 

tan am 

- "" 

~ 

- -~ 

-- 

- 

~ 

....__ '- ---- - -- 

~~ 

Klaster 8: Sulawesi Utara 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

. 

~ 

Klaster 9: Menado 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

---- 

- 

~ 

!""-~ I ~· -'•'~ • _ c --- 

u 

L-" .-~ ---- - ---- --· ------- - ---- ---- --- L~- ~!~ -- l~ " c L ·; c,, - ---- - 

50

u 

E. 5 Wilayah V {Papua dan sekitarnya) 

Klaster 2: Kep. Tanimbar, P. Komoro 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

Klaster 3: Merauke 

- · 

_.. Bulan ke .. 1 2 3 4 5 6 7 8 9 10 11 12 

DosorTan ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36; 

Waktu 

to nom 

- - -- --- , __ -- -- - ----- 

laster 4: Kep. Aru, sebagian Fak-fak 

---- 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu ) 

tanam . 

---- - -- 

I 

I 

Klaster 5: Papua Timur 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

~ 

Waktu 

tan am 

-·- ~ 

.•. -- 

~ - 

--- - -- 

- 

~ 

- ~~~ ~- --- ~ -~ 

' 

-~~·- 

~-- -- '---- --- - ----- - ------ -- - --- .______:_!__ --'---~- - -- --'---- ----- 

51

Klaster 6: Jayapura, Fak-Fak, Biak 

Bulan ke 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarian ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 

Waktu 

tan am 

~· . 

Klaster 7: Papua Tengah 

Bulan ke ~ 1 2 3 4 5 6 7 8 9 10 11 12 

Dasarlan ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 311 3"!1 30 

Waktu 

tan om 

I 

~ 

52

£_ 

!Slni!IQDd!p qe(;,l ~UR. qE{lnf'CJ~ 

il ~I dl 1)-J:

PENGELOMPOKAN WILAYAH CURAH HUJAN KALIMANTAN BARAT 

BERBASIS METODE WARD DAN FUZZY CLUSTERING 

Ina Juaeni, Dewi Yuliani, Risana Ayahbi, 

Noersomadi, Teguh Hardjana, dan Nurzaman 

ANALISIS KORELASI PEARSON UNTUK UNSUR-UNSUR KIMIA 

AIR HUJAN Dl BANDUNG 

Tuti Budiwati, Afjf Budiyono, Wiwiek Setyawati, dan Asri lndrawati 

ANALISIS SEMBURAN RADIO MATAHARI TIPE II SEBAGAI PREKURSOR 

KEMUNGKINAN TERJADINY A BADAl MAGNET BUMI 

Suratno dan Santi Sulistidni 

ANALISIS ALTERNATIF PENEMPATAN SATELIT LAPAN A2 Dl ORBIT 

Nizam Ahmad 

FLUKS DAN DISTRIBUSI PARTIKEL ENERGETIK Dl ORBIT LEO 

PENYEBAB TERJADINYA ANOMALI SATELIT 

Nizam Ahmad dan Rasdewita K. 

DINAMIKA ORBIT ASTEROID YANG ANALOG DENGAN ORBIT BUMI 

B. Dermawan, T. Hidayat, M. Putra, A Fermita, 

D. T. Wahyuningtyas, D. Mandey, Z. Hudaya, dan D. Utomo 

~t~ 

LAPAN 

.. . 

Diterbitkan oleh Lembaga Penerbangari dan Antariksa Nasional (LAPAN) 

Jakarta .. Indonesia 

I J. Si. Dirgant I VOL. 7 I 

- 

NO.2 I HAL. 82-1771 JAKARTA, Juni 2010 I ISSN 1412- S08X I.

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii_. I urna/ Sa ins Dirga ntara Vol. 7 N a. 2 I uni 2 010 :82-99 

PENGELO 

KALIMANTA 

D 

POKA\J WILAYAH CURAH HUJAN l 

i 

BARAT BERBASIS METODE WARD 

FUzzr CLUSTERING 

Ina Juaeni, Dewi Yuliani, Risana Ayahbi, Noersomadi, 

Teguh Hardjana, dan Nurzaman 

Peneliti Pusat Pemanfaatan Sains Atmosfer dan lklim, LAPAN 

E-ma il : inajuaeni@yahoo.com 

ABSTRACT 

In order to decrease the climate information gap, the rainfall 

clustering based on the TRMM data is presented. Then, the rainfall 

pattern could be determined for all region. Using the principal 

component analysis as the interface, clustering analysis, namely the 

Ward and the Fuzzy Clustering methods, the rainfall in West 

Kalimantan could be grouped in to four clusters according to its 

homogenity. The first cluster consists of grids that gather in the 

Karimata strait, Java Sea, and some area in West Kalimantan Lands. 

The second group was built by grids in the land with homogeneous 

topography. The third group in the middle of West Kalimantan was a 

cluster in the land which has different elevation. The fourth group was a 

cluster in the northern Kalimantan and close to the South China Sea. 

The West Kalimantan rainfall derived from the TRMM data has the 

equatorial and monsoonal patterns. The monsoonal pattern was 

exhibited by the cluster in the ocean (first cluster), and the equatorial 

pattern was showed by clusters in the land (second, third, and fourth 

clusters). The equatorial rainfall pattern revealed that the first wet 

month occuring in April, whereas the second wet month occured in 

December or January. The month with lowest rainfall is August. 

Key word: Rainfall pattern, Rainfall cluster, Ward and Fuzzy Clustering 

methods 

ABSTRAK 

Dalam rangka mengurangi kesenjangan informasi iklim, 

disajikan pengelompokkan wilayah curah hujan berdasarkan data 

TRMM, sehingga pola curah hujan dapat ditentukan untuk seluruh 

wilayah. Dengan menggunakan analisis komponen utama sebagai 

analisis antara dan analisis klaster, yaitu metode Ward dan Fuzzy 

Clustering, curah hujan di Kalimantan Barat' dapat dibagi menjadi 

empat kelompok sesuai homogenitasnya. Kelompok pertama terdiri dari 

grid-grid yang berkumpul di Selat Karimata, Laut Jawa dan sebagian 

daratan Kalimantan Barat. Kelompok kedua dibangun oleh grid-grid 

82 

I

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Pengelompokan Wilayah Curah Hujan ..... (Ina Juaeni et al.) 

yang berkumpul di v.ilaya.."-1 da:-at dengan topografi homogen. Kelompok 

ketiga merupakan klaster yang berada di wilayah bagian tengah 

Kalimantan Barat dengan ele\·asi yang berbeda. Kelompok k-eempat 

merupakan klaster yang berada di daratan Kalimantan Utara dan 

berdekatan dengan Laut China Selatan. Curah hujan Kalimantan Barat 

berbasis data TRMM memilik:i pola ekuatorial dan monsunal. Pola curah 

hujan monsunal ditunjukkan oleh klaster di lautan (klaster pertama), 

dan pola ekuatorial ditunjukkan oleh klaster di daratan (klaster 2, 3 

dan 4). Untuk pola curah hujan ekuatorial, bulan terbasah pertama 

terjadi pacta bulan April, sedangkan bulan basah kedua terjadi pada 

bulan Desember atau Januari. Bulan dengan curah hujan terrendah 

adalah bulan Agustus. 

Kata kunci: Pola curah hujan, 

Fuzzy Clustering 

1 PENDAHULUAN 

Klaster curah hujan, Metode Ward and 

Wilayah Indonesia merupakan bagian wilayah tropis dengan 

intensitas curah hujan yang tinggi. Sumber energi panas radiasi 

Matahari yang selalu ada sepanjang tahun ditambah kelembaban dalam 

jumlah yang cukup tinggi, mendorong aktivitas konveksi dan proses 

pembentukan awan serta hujan menjadi sangat tinggi. Tidak hanya 

intensitasnya yang tinggi, curah hujan di wilaya? Indonesia juga 

memiliki variasi spasial dan temporal yang tinggi, hal. ini dapat 

dijelaskan sebagai akibat perbedaan kondisi permukaan, yaitu 

perbedaan relief dan perbedaan tata guna lahan; Variasi curah hujan 

yang tinggi ini belum ditunjang oleh sarana observasi yang memadai. 

Masih banyak lokasi terpencil yang miskin informasi cuaca dan 

iklimnya, padahal informasi ini penting. Data mentah iklim adalah 

sarana penunjang penelitian yang hasilnya dimanfaatkan oleh sektor 

yang terkait kegiatannya dengan kondisi cuacaj iklim. 

Penggunaan data satelit merupakan solusi yang banyak 

digunakan dalam rangka mengurangi kesenjangan informasi cuaca dan 

iklim tersebut. Berbagai metode dikembangkan untuk mengolah data 

satelit agar sesuai dengan rencana aplikasinya. Dalam penelitian ini, 

pengolahan data satelit dilakukan berbasis metode statistik dengan 

tujuan untuk memperoleh klaster-klaster curah hujan dengan 

karakteristik yang sama. Data yang digunakan adalah data curah hujan 

bulanan dari satelit TRMM (Tropical Rainfall Measuring Mission). Ada 

dua informasi penting yang akan diperoleh dari metode ·pengelompokkan 

~ 

ini. Pertama, wilayah yang mempunyai karakter ' curah hujan yang 

sama, sehingga lokasi yang tidak memiliki sarana pengamatan dapat 

melakukan inisialisasi. Kedua, karena pengelompokkan berdasarkan 

83

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii ju17Ull Sains Dirgantara Vol. 7 No. 2 juni 2010 :82-99 

karakterjpola curah huja.:J. maka pola yang diperoleh dapat diguna.J

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Pengelompokan Wilayah Curah Hujan ..... (Ina Juaeni et al.) 

(homogenitas) yang tingg! cE dalam klastemya dan mempupyai 

ketidakmiripan (heteroge:li~s :·a..'lg tinggi antar klaster. Analisis klaster 

digunakan untuk mengelo::::!J.:;>oL'..can objek ke dalam beberapa kelompok 

yang memiliki karakteris~ ::ang sama dalam lingkup klimatologi 

(Mimmack, 2000). Analisis klaster juga digunakan oleh Haryoko (2009) 

untuk mengelompokkan pos pengamatan hujan (stasiun) yang 

mempunyai kesamaan pola curah hujan dasarian (10 harian) ke dalam 

sub-sub kelompok. Analisis komponen utama dan analisis kluster juga 

digunakan oleh Degaetano (1996), untuk mengelompokkan grid yang 

memiliki iklim yang sama. Dalam penelitiannya, Degaetano 

menggunakan curah hujan dan temperatur bulanan beberapa tahun 

serta menerapkan analisis klaster Average Linkage dan metode Ward. 

Pola ukuran klaster yang dihasilkan untuk Average Linkage tidak 

memiliki karakteristik karena da ri 47 klaster yang terbentuk, 40% 

klasternya (19 klaster) masing-masing hanya memiliki dua bahkan satu 

grid sebagai anggotanya, sedangkan metode Ward memberikan hasil 

yang seragam pada klaster yang terbentuk. Hasil tersebut menjadi latar 

belakang penelitian ini untuk menggunakan metode Ward sebagai 

teknik klasternya. Sebagai pembanding, pengelompokkan curah hujan 

bulanan di Kalimantan Barat juga menggunakan metode klastering 

yang lain selain Ward. Metode Ward adalah salah satu metode 

klastering Hierarkhi, maka metode pembandingnya dipilih metode 

klastering non Hierarkhi. Metode non Hierarkhi yang dipilih adalah 

Fuzzy Clustering. Metode ini dipilih didasarkan pada hasil penelitian 

Klawonn dan Hoppner (2001) yang mengindikasikan bahwa metode 

Fuzzy Clustering merupakan metode yang bagus, karena pusat klaster 

dan hasil pengelompokan tidak berubah jika ada data baru yang 

ekstrim. Metode ini juga memberikan hasil yang smooth (halus) karena 

pembobotan yang digunakan berdasarkan himpunan fuzzy (Pravitasari, 

2008). Kehalusan di sini berarti objek pengamatan tidak mutlak 

menjadi anggota satu kelompok saja, tapi mungkin menjadi anggota 

kelompok yang lain dengan ukuran tingkat keanggotaan yang berbedabeda. 

Objek akan cenderung menjadi anggota kelompok tertentu 

dimana tingkat keanggotaan objek dalam kelompok itu paling besar 

dibandingkan dengan kelompok lainnya. 

2 DATA DAN METODE 

2.1 Data 

Penelitian ini bertujuan untuk mengetahui karakteristik curah 

hujan di wilayah Kalimantan Barat berdasarkarl. data curah hujan 

bulanan TRMM 3843 (http://trmm.gsfc.nasa.gov) dalam periode 

Januari 1998 sampai Desember 2007. 

~ 

85

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii• J urnal Sa ins Dirgan tara Vol. 7 No. 2 J uni 2 010 :82-99 

2.2 Metode 

Analisis klaster adalab. suatu teknik multivariat yang memiliki 

tujuan untuk mengelompoi

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Pengelumpokan Wilayah Curah Hujan ..... (Ina Juaeni et al.) 

• bilangan kondisi < 1 00; terjadi :::mltikolinearitas lemah 

• 100 ::o;bilangan kondisi:::; 1000; terjadi multikolinearitas sedang sam pal 

kuat 

• bilangan kondisi > 1000; terjadi multikolinearitas sangat kuat 

Jika setelah dideteksi ternyata diketahui bahwa terdapat 

multikolinearitas antar variabel, maka diatasi dengan menerapkan 

analisis komponen utama terlebih dahulu pada data curah hujan 

bulanan TRMM, sehingga terbentuk sejumlah komponen utama yang 

saling orthogonal. Komponen utama ini yang dijadikan sebagai variabel 

baru untuk input dalam analisis klaster. 

2.2.3 Analisis Komponen Utama 

Johnson dan Wichern (1992) mendefinisikan komponen utama 

sebagai salah satu bentuk transformasi variabel yang merupakan 

kombinasi linier dari variabel. Proses pembentukan komponen utama 

adalah sebagai berikut: 

• Matriks X merupakan data pengamatan curah hujan bulanan yang 

berukuran np 

dengan, n = objek (grid); n = 1,2, ..., n 

p = variabel (curah hujan bulanan); p = 1,2, ..., p 

Xu X12 ...... xlp 

xnxp = 

X21 

X22 ...... x2p 

I: 

xnl xn2 ....... xnp 

I (2-2) 

• Dari matriks X, dicari matriks kovariansnya (Spp) 

S 11 s,2 . . . .. . s,p · 

s2, s22 ...... s2p 

S== (2-3) 

sp, 

sp2 ....... spp 

• Tentukan nilai eigen dari matriks kovarians, misalkan A1, A2, ......... . 

Ap, dengan A1 ~ A2 ~ ....... ~.Ap~O 

• Tentukan vektor eigen ke-j untuk nilai eigen ke-j (j=l,2, .... p), misalkan 

Vj = VJj, V2j, ...... , Vpj • ~ 

• Berdasarkan matriks eigen, maka komponen utama yang terbentuk 

adalah: 

til' 

87

iiiiiii;;;iiiiiiiiiiiiiiiiiiiiiiiiiiii;;iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Jurnal Sains Dirgantara Vol. 7 No. 2 ]uni 2010 :82-99 · 

PC 1 =zivi1 =z1v 11 -Z: \·::1 7 ... +z.,Y 1 

tJ"5t',~f~~~ 9(L.·~i . _ • .. 

r\..., 2 =Z]Viz = z1v 12 ,z2':: ~ ... ~z .,vj _ 

(2-4) 

" 

~CP::;, ~JviP 

= z 1 v1P + z 2 v2P + ... .,.. zP viP 

• Kiiteria yang digunakan untuk menentukan berapa komponen yang 

1 

dapat' dibentuk adalah kriteria persen varian. Jumlah komponen 

utama yang digunakan memiliki persentasi kumulatif varian minimal 

80% (Rencher, 2001). 

• Menghitung komponen skor (PCj} yang akan digunakan sebagai input 

urituk analisis klaster. 

Komponen skor yang diperoleh dari m komponen utama (dimana 

m

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii ?c:gelompokan Wilayah Curah Hujan ..... (Ina Juaeni eta!.) 

n c m 

.I .I (uij )d(X i,8j) 

s = 1=1 J=1 . 

nirmd(Xi,8j) 

(2-6) 

2.2.5 Analisis klaster 

Metode Ward adalah teknik u ntuk memperoleh klaster yang 

memiliki varian internal sekecil mungkin. Untuk metode klaster Ward, 

jumlah klaster ditentukan terlebih dahulu berdasarkan dendrogram. 

Ukuran yang digunakan adalah Sum Square Error (SSE) variabel. Proses 

pengelompokan adalah melalu i tahapan berikut ini: 

Langkah 1. Dimulai dengan m emperhatikan N kelompok subjek dengan 

satu subjek per kelompok. SSE akan bernilai nol untuk 

tahap pertama karena setiap objek atau individu akan 

membentuk klaster. 

Langkah 2. Kelompok pertama dibentuk dengan memilih dua dari N 

kelompok ini yang bila digabungkan akan menghasilkan 

SSE dalam nilai fungsi tujuannya. 

Langkah 3. N -1 kumpulan kelompok kemudian diperhatikan kembali 

untuk menentukan dua dari kelompok ini yang bisa 

meminimumkan tujuan. Dengan demikian N kelompok 

secara sistematik dikurangi menjadi N - 1, lalu menjadi 

N - 2 dan seterusnya sampai menjadi satu kelompok. SSE 

dalam metode Ward ini dihitung berdasarkan persamaan 

berikut: 

2 

2 

SSE= I p ( IX·· n --1 ( IX·· n ) ] 

. . 1J . 1J 

J=1 1=1 n 1=1 

(2-7) 

Dengan: 

Xij = adalah nilai variabel ke-ij 

p = adalah banyaknya variabel yang diukur 

n = adalah banyaknya objek dalam klaster yang terbentuk 

Analisis Klaster dengan menggunakan Fuzzy Clustering pada 

dasarnya adaiah proses penghitungan secara iteratif dimana 

penghitungan klasternya direvisi secara iterasi. Adap1;1n algoritma dari 

Fuzzy Clustering adalah sebagai berikut: 

Langkah 1. Tentukan jurnlah klaster, nilai centroid utama (prototype) 8jOJ 

secara random, nilai faktor koreksi t: > 0. 

- 

89

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Jurnal Sains Dirgantara Vol. 7 No. 2 Juni 2010 :82-99 

Langkah 2. Hitung deraja: ~eanggotaan Ui}kJ berdasarkan persamaan 2l"8: 

[ l x ;-~ l 1 

1/m-1 

U" = - . , 

lJ / ·d / m- 1 

(2-8) 

dengan 

c 

~lxi- Bii 2 

1=1 

n 

"u'!l ...... x · 

L.Jl] l 

(}. = .!c.l=...,.!l __ _ 

J n 

"u .. m 

L.Jlj 

i=l 

Langkah 3. Hitung fungsi objektif J(kJ herdasarkan persamaan 

n c 2 

J = :L:~:>ij miX; -Bjl 

i=l j=l 

Langkah 4. Hitung centroid baru8/k+l) dengan persamaan 2-9 

(2-9) 

Langkah 5. Perbarui keanggotaan Uy{kJ rnenjadi Uy{k+l} dan fungsi bbjektif 

J(kJ rnenjadi J(k+l} 

Langkah 6. Jika max ij iJ(k+ l) -J(k) I}< & proses akan berhenti, jika 

tidak rnaka kernbali ke langkah 4. 

Dari algoritrna di atas terlihat bahwa jurnlah klaster dan nilai 

centroid-nya ditentukan terlebih dahulu dan ditentukan secara apriori 

(pendapat para ahli) atau ditentukan jurnlah klaster awal beserta nilai 

centroid-nya dengan rnenggunakan teknik klaster hierarkikal. Nilai-nilai 

centroid inilah yang akan rnenjadi prototype (centroid awal) e j ( 0 ) . 

Kernudian, dihitung derajat keanggotaan UiJ, lalu penghitungan kernbali 

nilai-nilai centroid baru. Nilai centroid dari rnasing-masing klaster akan 

bergerak rnenernukan posisi yang sesungguhny9; seiring dengan 

penambahan langkah iterasi. . ~ 

90 

....

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Pengelompokan Wilayah Curah Hujan ..... (Ina Juaeni et al.) 

3 HASIL DAN PEMBA.HASAN 

3.1 Hasil Pendeteksian Outlier 

Hasil pendeteksian owlier secara multivariat untuk data 900 grid 

di Kalimantan Barat, menunjukkan tidak terdapat objek (grid) yang 

memiliki nilai signiftkansi lebih kecil dari 0, 001, sehingga dapat 

disimpulkan tidak terdapat outlier pacta data curah hujan 900 grid di 

Kalimantan Barat. Dengan demikian, seluruh objek dapat digunakan 

untuk tahap analisis selanjutnya. 

3.2 Hasil Pendeteksian Multikolinearitas 

Dari matriks X yang merupakan matriks 

hujan TRMM bulanan di Kalimantan Barat, 

kovariansnya ( S PP ) dan nilai eigen (A) dari S PP • 

pengamatan curah 

didapat matriks 

Untuk mendeteksi ada tidaknya multikolinearitas digunakan 

bilangan kondisi (k) seperti pacta persamaaan 2-1. Diperoleh: 

k = Amax = 3468Q5 = 2568 926 

' 

Amin 135 

Karena k (=2568,926) > 1000 maka dapat disimpulkan terdapat 

gejala multikolinieritas yang sangat kuat, sehingga digunakan analisis 

komponen utama untuk mendapatkan komponen-komponen utama 

dari variabel (curah hujan bulanan selama 10 tahun) yang ortogonal 

dan tidak berkorelasi, yang selanjutnya dapat dijadikan variabel baru 

untuk dasar pengelompokan pacta analisis klaster dengan metode Ward 

dan metode Fuzzy Clustering. 

3.3 Hasil Analisis Komponen Utama 

Jumlah komponen utama yang harus dibentuk ditentukan 

melalui kriteria persen varian, hasilnya adalah sebagai berikut: 

Tabel 3-1: OUTPUT AN ALI SIS KOMPONEN UTAMA 

-., r-- 

PC1 

-- 

Eigenvalue 346805 152895 103447 62295 30123 29352 

Proportion 0,337 0,148 0,100 0,060 0,029 0,029 

Cumulative 0,337 0,485 0,586 0,646 0,675 0,704 

PC7 II PCs II p~ II PC10 II PCu II · PC12 

Eigenvalue 22920 19622 18365 15638 .14046 l1411 

Proportion 0,022 0,019 0,018 0,015 0,014 0,011 

Cumulative 0,726 0,745 0,763 0,778 0,792 0,803 

91

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;iiiiii Jurnal Sains Dirgantara Vol. 7 No.2 Juni 2010 :82-99 

Pacta Tabel 3- :. ~e:rli..'la: bahwa nilai kumulatif persen varian 

untuk komponen u tama !)er ..a.-na :PC!) , kedua (PC2), ketiga (PC3) s~pai 

dengan ke dua belas (PC:~ be:nilai 0 ,803. Persentase kumulatif varian 

untuk 12 komponen ini sudah memenuhi batas minimal persentase 

kumulatif varian yaitu 80°'o tRencher, 2001). Hal ini berarti apabila 

seluruh variabel (X1, X2, ~, ... ,X 120) direduksi menjadi 12 variabel, maka 

variabel yang baru dapat menjelaskan 80,3 % karakteristik seluruh 

varia bel. 

3.4 Hasil Analisis Klaster dengan Metode Ward 

Skor komponen dari 12 komponen utama yang terbentuk 

dijadikan sebagai input data dalam pengelompokan karakteristik curah 

hujan di wilayah Kalimantan Barat dengan menggunakan metode Ward. 

Berdasarkan hasil pengelompokan dengan metode Ward menggunakan 

software Statistica 8, maka diperoleh output plot Squared Euclidean 

Distance pacta setiap langkah pengelompokannya. Output plot langkah 

880 hingga 900 diperlihatkan pacta Gambar 3-1 (kiri), sedangkan 

output dendrogram diperlihatkan pacta Gambar 3-1 (kanan). 

- ~ ~ - - ~-- - - - ----- 

~ r---------------------------~--~-, 

.,., 

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii PMgelompokan Wilayah Curah Hujan ..... (Ina fuaeni et al. ) 

... _, 

BoiPior~l SII.~Cmlllllli-... W..•- ...... 

~~~ ~ · 

... 

.-.-..: 

.lillft6 11r~lllt'M .\1 .\G ~O:i blllr ~ 

l l 

~ 

; 

lol ~ ~lSILDtlillitnilltii..._W. . l*I(Wal) 

..._, 

.Cvlll...._......... y._fM.al?) 

..,_, 

~~: a. d ~ ~ •. 1~ 

~~· · · 

- ~ -,- -.lii"C8JO:tbDI: 

... 

~~~~ 

-~ .. . ._. .. lri.Ac ilp ll:lllii'Dic' ~= 

... 

Gambar 3-2: Klaster yang terbentuk dengan metode Ward dan pola 

curah hujan masin g-masing Klaster 

3.5 Hasil Analisis Klaster dengan Metode Fuzzy Clustering 

Untuk merientukan jumlah klaster optimum dalam metode 

Fuzzy, hasil pengelompokkan divalidasi dengan rumus Xie dan Benni 

(1991) dan hasilnya diperlihatkan. pada Tabel 3-2. Tampak bahwa 4 

klaster memberikan nilai validasi terkecil, maka jumlah klaster yang 

optimum adalah empat. Klaster yang terbentuk diperlihatkan pada 

Gambar 3-3. 

Tabel3-2: JUMLAH KLASTER DAN NILAI VALIDASI 

Jumlah Klaster Yang dibentuk Fungsi Objektif Nibii Validasi 

2 Klaster 357.533.759.561 . 42.826 

3 Klaster 234.566.463.704 35.859 

4 Klaster 175.287.750.841 22.559 

5 Klaster . 139.514.948.165 35.313 

6 Klaster 115.663.133.613• 48.574 

. 

7 Klaster 99.015.618.448 56.300 

'- 

93 

~

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii/umal Sains Dirgantara Vol . 7 No. 2 funi 2010 :82-99 

.[S;2 

INM'-Sl.,_~,...w..~ w T .. f~t-a. : 

. 

- -: 

. --. - - 

.. 

. .-"' ............ .,.,.ar.,. 

... 

~-W.nt.aaa. ... .._ktlllll ll la.( l~!Wilj tloi;li.u J 

! 

..,_b.W.JIIN9Sit01tlbi'CII 

... 

' 

'1=- 

~-&i!lb•Clalil!ip:kNI:Mi l4 1 ..! ~rliC.. I 

lil~l 

-~ ... , ....... QI ... r. 

.. 

I~ 

~-~c.:i: .. JIIii::..:~I I U• {N- :ta'i) POQI&c:' 

~ 

~ - 

•Fte""'-...,•.w•s.,oc""'~ 

... 

Gambar 3-3: Klaster yang terbentuk dengan metode Fuzzy Clustering 

dan pola curah hujan masing-masing klaster 

3.6 Pembahasan 

Berdasarkan hasil pengelompokan karakteristik curah hujan di 

Kalimantan Barat baik menggunakan metode Ward maupun metode 

Fuzzy Clustering terbentuk empat klaster yang optimal. 

Klaster 1 pada Ward dan Fuzzy, berada di lautan Jawa dan Selat 

Karimata dan sebagian kecil daratan dekat pantai barat Kalimantan 

(Ketapang, Kualapetangan dan Kendawangan). Curah hujan di klaster 

1, relatif lebih rendah dibandingkan klaster lainnya. Adanya sebagian 

daratan yang masuk dalam klaster yang sebagian besar wilayahnya 

adalah lautan disebabkan adanya proses interaksi antara daratan dan 

lautan yang cukup kuat, sehingga curah hujan di lautan sama dengan 

di daratan. 

Klaster 2 pada Fuzzy atau klaster 4 pada Ward, berada di bagian 

utara Kalimantan Barat, merupakan wilayah dengan topografi 

gabungan antara dataran rendah dan dataran tinggi. Letaknya dekat 

dengan ekuator, sehingga merupakan wilayah yang surplus energi 

radiasi Matahari. Energi radiasi Matahari ditambah kelembaban dalam 

jumlah cukup membangkitkan proses pembentukan awan dan hujan di 

wilayah ini sepanjang tahun. Intensitas rata-rata di klaster 2 atau 4 ini 

merupakan intensitas tertinggi dibandingkan klaste_r lainnya. 

Klaster 3 pada Ward dan Fuzzy terletak eli bagian tengah wilayah 

Kalimantan Barat, dengan topografi yang cenderung seragam (dengan 

ketinggian 0 sampai 200 m). Hujan terjadi sepanjang tahun dengan 

94 

-

gelompokan Wilayah Curah Hujan ..... (Ina Juaeni et al.) 

intensitas minimum sebesa:- 150 rnm terjadi pada bulan Agust\ls. 

Klaster 4 pada Fuzzy atau klas•er 2 pada Ward berada paling selatan di 

Kalimantan Barat. Kisaran :n~ensitas curah hujan hampir sama tlengan 

klaster 3. Di klaster ini terdapat pegunungan yang lebih banyak 

dibandingkan klaster lainnya. 

Perbedaan pola dan intensitas curah hujan antar klaster 

disebabkan perbedaan geografi dan relief. Meskipun seluruh wilayah 

Kalimantan Barat terletak eli wilayah ekuatorial dengan jumlah panas 

radiasi yang relatif sama, namun perbedaan relief permukaan (daratan, 

lautan, dataran tinggi, dataran rendah pedalaman atau tepi pantai) 

menghasilkan proses atmosferis yang berbeda yang selanjutnya 

menghasilkan intensitas curah hujan yang berbeda. lntensitas curah 

hujan yang relatif tinggi di klaster 2 atau 4 (Fuzzy/Ward) dipengaruhi 

oleh suplai kelembaban dari laut China Selatan karena klaster 2 atau 4 

berada dekat depgan laut tersebut. 

Pada Gambar 3-2 dan 3-3, nampak bahwa curah hujan di 

Kalimantan Barat berdasarkan TRMM mengikuti pola ekuatorial untuk 

klaster 1, 2 dan 3 dengan metode Ward a tau klaster 1, 3 dan 4 dengan 

metode Fuzzy serta pola monsunal untuk klaster 2 (metode Fuzzy) atau 

klaster 4 (metode Ward) dengan puncak bulan basah terjadi pada 

bulan JanuariiDesember dan bulan April sedangkan bulan dengan 

curah hujan terkecil adalah bulari Agustus. Pola ini sama untuk semua 

klaster, kecuali intensitasnya. Untuk klaster di daratan, pola curah 

hujan mempunyai kesesuaian dengan observasi. Untuk klaster di 

lautan (klaster 1 atau 1) pola curah hujan tidak sesuai dengan 

observasi. Berdasarkan observasi pola curah hi.ljan di lautan 

seharusnya monsunal. Ini menunjukkan bahwa di klaster 1 I 1 sebagai 

wilayah perbatasan darat dan laut, pengaruh monsun lebih kuat 

dibandingkan pengaruh posisi matahari di atas ekuator I ekinoks. 

Perbedaan lain antara metode Ward dan metode Fuzzy 

diperlihatkan pada luas daerahljumlah grid untuk setiap klaster. 

Jumlah grid pada masing-masing klaster 1, 2, 3 dan 4 berturut-turut 

adalah 288, 272, 150 dan 190 untuk metode Fuzzy Clustering. Klaster 1 

metode Ward terdiri dari 260 grid, klaster 2 berisi 256 grid, klaster 3 

mengandung 207 grid dan klaster 4 terdiri dari 177 grid. Perbedaan ini 

bersumber dari overlapping pada metode Fuzzy, sebagai contoh gridgrid 

yang berada di sebelah utara pada klaster 2 me.tode Ward temyata 

dapat juga dikelompokkan kedalam klaster 3 pada metode Fuzzy. Inilah 

keunikan dari metode Fuzzy yang menganut sistem overlapping. Hal ini 

dibenarkan karena pola dan intensitas klaster 2 dan 3 tidak terlalu 

95 

..,

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii~ 1 urnnl Sa ins Dirgantara Vol. 7 No. 2 1 u n i 2 010 :82-99 

berbeda, jika kemudiar.. g:-:C.-grid itu dimasukkan dalam klaster 3 

l 

semata-mata karena deraja: keanggotaan grid-grid tersebut di klaster 3 

lebih tinggi dibandingkan di klaster 2. 

Tabel 3-3: KOEFISIEN KOREL

- 

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Pmgelompokan Wilayah Curah Hujan ..... (Ina Juaeni et al.) 

600 

Ketap.ang 

500 

e 400 /----- 

.§. 

~ 300 -1---"'- /-'------- 

~ 

a 2oo I -- ~ ........ c:--------/'---------- 

100 

0 

1 2 3 4 5 6 7 8 9 1 0 11 12 

Bulan 

ill 

Boxplclt dan StdDcviasi CUrah Hujan Bulanan Selama 10 Tahun (1998-2007) Pada Klaster 3 

: : : : : : : : : : : : ; : I 

Jan Feb Mar Apr Mel Jun Jul Ags Sep Okt Nov Des 

Box Plor Rata-Rata & Std. Devlasl Curah Hujan Bulanan Selama 10 Tahun (1998-2007) Pada 

Klaster 3 

WJ[mm ,__ .m . u 

550 - ' ' 

~ 500 : . ' 

~:58 --- 1:5 ·--·;:·---1·----~ ---- 

i~~ :--~-:~ 

-'= 200 

~ 150 

(.) 1ggt ----r----~----: 

Q 

Bulan 

I 

Jan Feb Mar Apr May Jun Jul 

Waktu 

I 

----: -·- .- - r- -· -·-- 

Aug Sep Oct Nov Dec 

0 Mean±SD 

I Mean±:!"SD 

j 

,. ' --- 

D Mean±SD 

I Mean±2"SD 

Gambar 3-4: Perbandingan pola dan intensitas di Ketapang antara 

curah hujan observasi (atas) dengan curah hujan TRMM 

metode Fuzzy Clustering (tengah) dan curah hujan metode 

Ward (bawah) 

i 

I 

I 

II 

A 

4 KESIMPULAN 

Dengan data curah hujan bulanan TRMM dari tahun 1998 

sampai 2007, penggunaan analisis komponen utama sebagai analisis 

awal dan analisis klaster dengan metode Ward/ Fuzzy Clustering untuk 

mengelompokkan karakteristik curah hujan di Kalimantan Barat 

menghasilkan empat kelompok grid yang memiliki karakteristik curah 

hujan yang homogen. Jumlah klaster bisa berubah jika ditambahkan 

data baru yang membentuk klaster dengan karakteristik yang sangat 

berbeda dengan data yang sudah ada, jika deraja~ keanggotaannya 

lebih tinggi untuk klaster yang sudah ada maka jumlah klaster tetap. 

Perbedaan jumlah grid antar klaster antara metode Ward dan 

metode Fuzzy Clustering disebabkan oleh adanya penerapan overlapping 

- 

97 

II

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Jumal Sains Dirgantara Vol. 7 No.~ - [u.ni 291Q_:B2-99 

pada metode Fuzzy. se::::.L"lgga gr..d tertentu bisa menjadi anggota ldi dua 

klaster atau lebih denga."'1 de:-ajat keanggotaan yang berbeda. 

Perbandingan po:a dan intensitas curah hujan antara data 

TRMM dan data obserYasi menunjukkan hasil yang baik dengan 

koefisien korelasi > 0, 7. Pembandingan intensitas curah hujan 

berdasarkan dua metode menunjukkan bahwa metode Fuzzy Clustering 

lebih baik dibandingkan metode Ward, namun pembandingan spasial 

klaster di daratan menunjukkan bahwa metode Ward lebih mendekati 

observasi. 

Pola curah hujan monsunal ditunjukkan oleh klaster 2/4 

(gabungan daratan dan lautan) dan pola ekuatorial ditunjukkan oleh 

klaster 1/1, 3/3 dan 4/2 (daratan dan gabungan daratan dan lautan). 

Pola ekuatorial di daratan Kalimantan Barat sesuai dengan observasi, 

namun pola curah hujan di klaster 1/ 1 yang seharusnya monsunal 

ternyata ekuatorial. Dengan demikian, data TRMM menunjukkan 

bahwa di wilayah lautan sekitar Kalimantan Barat pengaruh posisi 

matahari di atas ekuator / ekinoks lebih kuat dibandingkan pengaruh 

monsun. 

DAFTAR RUJUK.AN 

http:/ jtrmm.gsfc.nasa.govjdidownload Maret 2009. 

Bayong, T. H. K., 2004. Klimatologi, Edisi kedua, Penerbit ITB. 

Degaetano, A. T., 1996. Delineation of Mesoscale Climate Zones in The 

Northeastern United States using a Novel Approach to Cluster 

. Ana,_lysis, . Journal of Climate, 9. 

Hair,· J,: F.;; Anderson, R. E.; Tatham, R. L.; and Black, W. C., 1998. 

,~; 

1 

.)!'11 ly.[~;gtivariate Data Analysis, Fifth edition, Prentice Hall 

International, Inc., Upper Saddle River, New Jersey. 

Haryoko, U., 2009. Pewilayahan Hujan untuk Menentukan Pola Hujan 

(contoh kasus Kabupaten Indramayu}, http:/ jwww. 

staklimpondokbetung.net/ publikasi/ didownload Juli 2009. 

Johnson, R. A., and Wichem, D. W., 1992. Applied Multivariate 

Statistical Analysis, Fifth edition, Prentice Hall, Englewood Cliffis, 

New Jersey. · 

Klawonn, F. and Hoppner, F., 2001. A New Approach to Fuzzy 

Partitioning, Proc. of the Joint 9th IFSA World Congress and 20th 

NAF!PS International Conference, Vancouver, Canada. 

Mimmack, G. M.; Mason, S. J . and Galphin, J . S., 2000. Choice of 

Distance Matrices in Cluster Analysis: Defil\ing Regions, Journal 

ofClimate, 14. 

' 

Pravitasari, A. A., 2008. Analisis Pengelompokkan dengan Fuzzy Z 

Means Cluster (Kasus Pengelompokkan Kecamatan di Kabupaten 

- 

98

iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii Pu.gelompokan Wilayah Curah Hujan ..... (Ina Juaeni eta!.) . 

Tuban berdasarkan Tir.gka~ Partisipasi Pendidikan), Tesis Master, 

ITS. 

Rencher, A. C., 2001. Methods of Multivariate Analysis, Second -Edition, 

A Wiley-Interscience Publication, United States. 

Sharma, S., 1996. Applied Multivariate Techniques, A Wiley-Interscience 

Publication, United States. 

Xie, X. L. and Benni, G., 199 1. A Validity Measure for Fuzzy Clustering, 

IEEE Transactions on Pattern Analysis and Machine Intelligence, 13. 

~ 

- 

99

lnformasi Data INDERAJA 

Siklus Hid up Silklon Tropis Freddy 

dan Dampaknya Terhadap 

Atmosfer Indonesia 

Ina Junaeni 

Pusat Pemanfaatan Sa ins Atmosfer dan Iklim, LAPAN 

iklim seperti El Nino, La Nina di lautan 

Pasifik serta Dipole Mode di lautan Hindia merupakan 

fenomena iklim yang berkaitan dengan 

F!nomena 

fluktuasi cuaca/ iklim di wilayah Indonesia. Fenomena 

ersebut mengganggu sistem sirkulasi dalam arah meridional 

sehingga proses konveksi, proses pembentukan 

awan dan hujan di wilayah Indonesia menjadi aktif pada 

kejadian La Nifia dan Dipole Mode lautan Hindia negatif 

ehingga mendorong terjadi banjir dan menjadi kurang 

aktif pada kejadian El Nino dan Dipole Mode lautan Hindia 

positif sehingga mendorong terjadinya kekeringan. 

Kondisi ekstrim seperti diatas dapat juga ditimbulkan 

oleh adanya siklon tropis. Siklon tropis yang kuat akan 

menarik massa udara disekelilingnya sehingga aktivitas 

konveksi menjadi berkurang yang dampaknya adalah 

curah hujan menjadi rendah, tetapi ditempat lain tepatnya 

diwilayah dinding siklon terjadi hujan dengan intensitas 

tinggi. 

Siklon tropis adalah pusaran arus berbentuk spiral 

yang terjadi di wilayah lautan tropis. Meskipun 

jumlahnya lebih kecil dibandingkan siklon subtropis 

namun mempunyai kemampuan merusak yang lebih 

tinggi (Bowditch, 1995). Pada mas a sekarang siklon 

tropis mengalami peningkatan frekuensi dan kekuatan 

(Emanuel, 2005; Webster et at., 2005). Seiring peningkatan 

frekuensi siklon tropis, penelitian yang mengkaji 

mekanisme, variabilitas dan faktor-faktor yang berpengaruh 

terhadap siklon juga meningkat. Peningkatan 

freh.ruensi siklon yang terjadi pada masa se~ahg kemudian 

dikaitkan dengan masalah perubahan iklim. 

sehingga banyak penelitian yang meghubungkan siklon 

lnformasi Data IN DE RAJA 

-- atau pusat siklon dan dinding siKlo 

~t kencang berada di dalam dindin2" s=·-· 

~ .... :~g siklon bisa mencapai ratusan km. o· 

merupakan wilayah paling berbahaya d 

-ena angin sangat kuat dan disertai hujan yang sanga 

~ Di dalam mata siklon kondisi sangatjauh berbeda, 

cuaca cerah dengan angin yang bertiup lemah. 

· bar mata atau pusat siklon bervariasi mulai 10 sam 

- ratusan km. Struktur vertikal siklon diperlihatkan 

Gambar 1. Siklon tropis mendapatkan energi dari 

as lautan tropis dan tidak akan terbentuk jika suhu 

oe..-mukaan laut kurang dari 26,5°C. Umur siklon tropis 

· sanya hanya beberapa hari. Siklon akan melemah dan 

- .·nudian lenyap jika bergerak ke arah daratan atau ke 

co...


!•c.o 

i 

~.bc§ZS•~;.~.,.q~ : 

sk.- ;51 -!(1 

I # 

~ 

! ' ' .. 

I! linlasan siOOn Fredd1 ~-~''\_..--, L"";l ':.., e,;;.' 

L: 

1'> 

'l%1s 

""¢ 

_/' 40 , , \. \\ ~\ "\_.. '\-.;_ IIOOme 

~ ~ _. ~ ~ I J t ~~ 

'\ I '/~ 

~ · ~~ I . -• r--:Portl~ --l---:;.:;_ 

~ .~ 

""¢ 

1-! 

J 

Australia 

J - - 

I 

Gambar 2. Lintasa n dan siklus hidup siklon Freddy 

http:/ /www.bom.gov.au/ 

-"2S 

-' 

12 

• lkuraldindfrg sikJon 

• Jr.KdrD1QcmP. .awa 

10 

8 

1ii 

'!' 6 

c! 

4 

2 

0 

- 

. 

2 

' 

4 

- 6 7 - 9 

10 11 

waktu 12 

( ~ 00 U1C 8 febnai 2009 ~ JUU 20.00 U1C9 Fellruari 2009 atau 

Pl.W 07.00 WIB 8 Fe:bnm 2009 Sln1l'i JUU 03.00 WIB 10 Fellruari 2009) 

Gam bar 3. Grafik ukuran dinding siklon Freddy dan jaraknya dari P. Jawa 

bar 3 , yang diamati dari citra satelit MTSAT. Ukur 

~ _.;~rl; .. g siklon paling besar hampir mencapai 2 dera 

---u sekitar 222 km terjadi pada tanggal 8 Februari 

illl 04.00 UTC atau pukulll.OO WIB sampai pu 

"'\\lB dan pukul 00.00 UTC atau pukul 07.00 

·--ggal 9 Februari 2009. Ukuran siklon di luar 

tersebut berada dalam kisaran 1 derajat t'in km) 

=;>ei beherapa km dalam bentuk spot-spot tekanan. 

--tara jarak din ding siklon dari P. J awa mencapai 

titik terdekat pada tanggal 8 Februari pukulll.OO WIB 

yaitu dengan jarak 5 ~derajat a tau sekitar 555 km. Setelah 

itu dinding siklon Freddy semakin menjauhi P. Jawa. 

Dampaknya Terhadap Kondisi Cuaca/lklim (Atmosfer) 

di Indonesia 

Sebelum siklon Freddy dinyatakan sebagai siklon 

tropis, berdasarkan citra satelit MTSAT IR, liputan awan 

di atas wilayah Indonesia pada tanggal 2 Februari 2009 

BERITA INDERAJA, Volume VIII , No. 15, Desember 2009


c..-or. Hoj-1n (rrm) 

5 ·~ 25 J~ 4!i 

Gam bar 4. Kiri: Citra satelit MTSAT Infra merah :Data base Bidang Pemodelan lklim- Pusfatsatklim, LAPAN) dan kanan: 

estimasi curah hujan TRMM tanggal 2 Februari 2009 pukul1 3.3 0 WIB (http://www.lapanrs.com/ SMBA/ smba.php). 

Gambar 4) menunjukkan indikasi adanya awan tebal 

' atas Kalimantan barat dan Kalimantan selatan, lautan 

Hindia sebelah timur, laut Jawa dan Jawa bagian barat, 

apua dan perairan sebelah utara Papua. Berdasarkan 

'rra satelit yang sama, estimasi curah hujan menunjukkejadian 

curah hujan di lokasi dengan liputan awan 

-ebal tersebut. Selanjutnya, sampai tanggal 3 Februari 

tengah malam, liputan awan dan hujan di atas wilayah 

Indonesia berfluktuasi dengan suhu kecerahan awan 

200

lnfonnasi Data INDERAJA 

""'iO 

""'iO 

Gambar 5. Arah dan kecepatan angin di atas permukaan wilayah Indonesia pada tanggal 8 dan 12 Februari 2009 

(NCEP/NCAR Reanalysis) 

Gambar 6. Citra satelit MTSAT infra merah tanggal 6, 7 dan 8 2009 pukul13.30 WIB (Data base Bidang Pemodelan 

.. 

• 

~ 

• 

n 

. 

:j 4 

,. 

,. 

r'iilloc .. .. ... ,.. 

~ 

~ 

lklim- Pusfatsatklim, LAPAN) 

- 

'" 

. 

.. 

• 

C..... h;fz ff!' - 

~ ~ )~ 4$ 

Gam bar 7. Estimasi curah hujan dari Tl 

(http· 

(!It~~·~"' {mr!'l) 

tanggal 6, 7 dan 8 Februari pukul13.00 WIB 

Si..13A/ smba.php) 

•J 

INDERAJA. Volume VIII, No. 15, Desember 2009

( UIDJB:l ~::>U d detfe! fB 

OIOZ I I I

Aktivitas Siklon Tropis di Lautan Pasifik Barat dan Lautan China Selatan dan 

Dampaknya Terhadap Curah Hujan di Indonesia 

Ina Juaeni 

inajuaeni@yahoo. com 

Pusat Pemanfaatan Sains Atmosfer dan lkli 

Lembaga Penerbangan dan Antariksa Nasional 

Siklon bermula dari gelombang atmosfer yang kemudian berubah menjadi spot 

·ekanan rendah dan kemudian berkembang menjadi badai. Jika terjadi peningkatan 

ecepatan angin, maka badai berubah menjadi siklon. Di wilayah tropis, 85 % kejadian 

siklon dipicu oleh gelombang tropis. Ada beberapa kondisi yang harus dipenuhi untuk 

berkembangnya siklon, yaitu : suhu muka laut harus lebih besar dari 26.5 °C, gaya 

Coriolis tidak nol dan harus mencapai nilai tertentu. Gaya Coriolis diperlukan untuk 

tetap mempertahankan spot tekanan rendah dari siklon. Jika siklon bergerak ke arah 

ekuator dimana gaya Coriolisnya rendah, spin/putaran siklon akan melemah akibat 

tidak ada keseimbangan antara gaya Coriolis dengan gaya gradien tekanan (Gambar 

1, Sumber: http://web.mit.edu/). Syarat lain terjadinya siklon adalah shear angin vertikal 

rendah agar terjadi gerakan spiral vertikal. 

~ 

. . 

Gambar 1 Skema aliran uda~ di sekitar spot tekanan rendah (di Belahan Bumi Utara). 

Graden tekanan di gambarkan o!eh panah berwarna biru 

(Sumber: http://web.mit.edu/)

0-a ~ oersyaratan tersebut maka wilayah yang potensial untuk terjadinY.a siklon adalah 

ah tropis dan subtropis, atau pada zona konvergensi tropis/ zona fronU palung 

sun,lokasi dimana sering te~ad i tekanan rendah, seperti diperlihatkan pada 

Gambar 2 (Sumber:http://www.windows.ucar.edu/earth/images/). Setiap wilayah 

..... enamai badai besar dengan nama yang berbeda. Nama siklon (cyclone) digunakan 

uk wilayah lautan Hindia, laut China selatan dan Pasifik barat. Di Pasifik barat 

agian utara, badai dinamai typhoon. Di lautan Atlantik dan Pasifik timur dinamai 

urricane. Siklon di wilayah tropis biasanya berada pad a wilayah 10 sampai 30 derajat 

rintang utara (LU) atau lintang selatan (LS). Karena Coriolis yang lemah yang terkait 

dengan rotasi bumi, jarang sekali terjadi siklon di wilayah 5 derajat LU/ LS apalagi 

sampai di wilayah 0 derajat, tetapi kenyataannya ada juga siklon yang sampai wilayah 5 

derajat LU/ LS seperti kejadian siklon Vamei tahun 2001 dan siklon Agni tahun 2004. Di 

Atlantik utara dan Pasifik timur laut, angin pasat atau angin yang bergerak ke arah barat 

membawa gelombang tropis ke arah barat, dari Afrika ke laut Karibia, lalu ke Amerika 

utara terakhir sampai di laut Pasifik tengah. Gelombang tropis ini merupakan prekursor 

bagi siklon tropis. Di lautan Hindia dan Pasifik barat, perkembangan siklon lebih 

ditentukan oleh gerakan musiman dari palung monsun atau zona tekanan rendah atau 

ITCZ (Inter Tropical Convergence Zone) dibandingkan oleh gelombang. Siklon tropis 

juga dapat dibangkitkan oleh sistem lain seperti sistem tekanan rendah, sistem tekanan 

tinggi, front panas dan front dingin (Velasco and Fritsch, 1987; Chen and Frank, 1993; 

Emanuel, 1993; Zehr, 1992). 

Tempat terjadi yang berdekatan dengan wilayah Indonesia ditambah dengan 

sistem pemicunya yang sangat berhubungan dengan kondisi cuaca dan iklim Indonesia, 

maka siklon tropis merupakan unsur atmosfer yang perlu dikaji. Selain meneliti 

variabilitasnya dan perilakunya dipandang perlu untuk meneliti dampak siklon tropis 

terhadap atmosfer Indonesia, khususnya curah hujan. Terlebih akhir-akhir ini siklon 

tropis mengalami peningkatan frekuensi dan kekuatan (Emanuel, 2005; Webster eta/., 

2005). 

Untuk mempelajari perilaku dan dampak siklon tropis terhadap kondisi atmosfer 

Indonesia digunakan data radar presipitasi (PR), TRMM (Tropical Rainfall Measuring 

Mission), Microwave Imager ("tt11) dan VIRS (Visible and Infrared Scanner] yang 

2

iunduh dari http://trmm.gsfc.nasa.gov1 untuk periode tahun 2008 dan 2009 serta data 

angin NNR (NCEPI NCAR Reanalysis) dari http://www.esrl.noaa.gov/psd/. PR 

empunyai resolusi horisontal - 5 km dan dapat memberikan informasi struktur vertikal 

ujan dan salju mulai permukaan sampai ketinggian 20 km. TMI adalah sensor 

gelombang mikro yang dirancang untuk memberikan informasi kuantitas curah hujan 

melalui pengukuran jumlah uap air, jumlah air dalam awan dan intensitas curah hujan. 

VI RS adalah pemantau radiasi yang datang dari bumi dalam 5 wilayah spektral, dari 

visibel sampai infrared, atau dari 0,63 sampai 12 mikrometer. Wilayah penelitian 

dibatasi di teluk Benggala dan lautan Pasifik Barat (di tunjukkan dengan anak panah 

pada Gambar 2), sebagai lokasi terjadinya siklon yang berdekatan dengan wilayah 

Indonesia. 

Gambar 2. Peta lokasi badai dan lokasi penelitian 

(Sumber:http://www.windows.ucar.edu/earth/images/) 

Siklon di Pasifik Barat • ~ 

Pada tahun 2008, data gabungan dari PR, TMI dan VIRS 

(http://trmm.gsfc.nasa.gov) menunjukkan terjadi 74 kejadian siklon dari 47 siklon yang 

berbeda di lautan Pasifik barat. Berarti, ada siklon yang terjadi lebih dari satu kali yaitu 

3

siklon-siklon 96W, INVEST. 9 

VONGFONG (Gambar 3). 

1 

97W, 96W, 24W, 21W, 16W, 98W dan 

~5 

§4 

..c 

~ 

6 - 

1!3 

..c "' 

~2 

·;;; 

"' 

':: 1 

~ 

:::J 

..!!!o 

:0 

c 

0 

::;;;; 

·;;; 

.,., 

c 

"' :::J 

~ ...... 

2008 

~ ..:a:oa::tal.!)ao 

~~:;: [~ z!-~; j :;: j j!;; 

z~ ~ ~ 

~ 

l 371381391 41 ~ 4 ~43 J 44 1 4S ! 46 I 47 I 

Gambar 3. Frekuensi kejadian siklon di lautan Pasifik barat tahun 2008 

Frekuensi kejadian siklon 96W dan 24W tertinggi selama tahun 2008 yaitu 5 

kejadian. Dari 47 siklon baru 21 yang sudah diberi nama sisanya hanya diberi kode. 

Siklon terjadi hampir sepanjang tahun dengan waktu hidup satu sampai 11 hari. Siklon 

SINLAKU adalah siklon dengan waktu hidup terlama tahun 2008, yaitu 11 hari. 

Kekuatan siklon yang diidentifikasi dengan estimasi kecepatan angin permukaan 

maksimum sangat bervariasi (Cooper et a/., 2008). Kecepatan angin pada siklon tahun 

2008 bervariasi mulai 33 knot sampai 145 knot. Siklon JANGMI mempunyai kecepatan 

angin terbesar yaitu 145 knot, yang terjadi mulai 23 September sampai 1 Oktober 2008 

(Tabel 1 ). Bentuk visual siklon JANGMI pad a tanggal 26 September 2008 yang terekam 

oleh PR, TMI dan VIRS diperlihatkan pada (Gambar 4). Gambar tersebut juga 

menunjukkan distribusi spasial curah hujan pada dinding siklon. Garis penampang yang 

dibuat melalui siklon tersebut menunjukkan aktivitas hujaQ yang aktif pada dinding 

siklon, sedangkan pada mata siklon cuaca tampak cerah. Semakin jauh dari mata 

siklon curah hujan semakin kecil. Curah hujan tertinggi berada pada wilayah dengan 

jarak kurang dari 1 derajat (-111 km) dari mata siklon. Salah satu siklon dengan 

kecepatan angin rendah yaitu -40 knot adalah siklon HIGOS, bentuk visualnya 

4

diperlihatkan pada (Gambar 5). Siklon HIGOS adalah salah satu siklon yang bentuknya 

tidak simetris dan mata siklon juga kurang jelas terlihat. lni merupakan salah satu tanda 

siklon yang lemah. 

Tabel 1. Siklon tropis di Pasifik barat tahun 2008 (Sumber: Cooper eta/. , 2008) 

Nama Peri ode Peringatan v P (mb) 

(knot) 

TS01W 13-16 Januari 13 40 992 

TY 02W-Neoguri 14-20 April 23 100 948 

STY 03W-Rammasum 7-12 Mei 23 135 921 

TS 04W-Matmo 14-16 Mei 9 40 992 

TY 05W- Halong 15-20 Mei 19 75 966 

TY 06W- Nakri 27 Mei-3 Juni 29 125 929 

TY 07W- Fengshen 18-25 Juni 29 110 940 

TY 08W-Kalmaegi 14-18Juli 19 90 955 

TY 09W- Fung-Wong 24-28 Juli 18 95 951 

TS 1 OW-Kammuri 4-6 Agustus 12 50 985 

TS 11W 13-14 Agustus 7 35 996 

TS 12W-Vongfong 14-16 Agustus 9 55 981 

TY 13W-Nuri 17-22 Agustus 24 100 948 

TS 14W 26-28 Agustus 7 35 996 

TY 15W- Sinlaku 8-20 September 47 125 929 

TS 16W 10-11 September 8 35 996 

TS 17W 14 September 1 40 992 

TY 18W-Hagupit 18-24 September 24 125 929 

STY 19W-Jangmi 23 September-1 29 145 914 

Oktober 

TS 20W-Mekkhala 28-30 September 7 55 981 

TS 21W-Higos 29 September-4 21 45 988 

Oktober 

I 

TS22W 14-15 Oktober 6 35 996 I 

TS 23W-Bavi 18-20 Oktober 6 50 985 I 

TS 24W- Maysak 7-10 November 14 55 981 I 

TS 25W-Haishen 15-16 November 4 40 992 

1 

TS 26W-Noul 16-17 November 7 40 992 T_y_ 27\f,/- Dolp]lin 10-18 Desember 33 90 955 I 

e:erangan: 

~ 

- :-:gi

Gambar 4. Kiri: Gambar visual dan curah hujan siklon JANGMI, Kanan: Penampang 

curah hujan di tengah siklon dari titik A sampai titik B 

(http://trmm.gsfc. nasa .gov) 

Gambar 5. Kiri: Gambar visual dan curah hujan siklon HIGOS, Kanan: Penampang 

curah hujan di tengah siklon dari titik A sampai titik B 

(http://trmm.gsfc.nasa.gov) 

Pada tahun 2009, terjadi 76 kejadian dari 50 jenis siklon di lautan Pasifik Barat. 

Siklon-siklon yang terjadi lebih dari satu kali pada tahun 20D9 adalah 99W, 98W, 97W, 

96W, 95W, 94W, 93W, 92W, 91W, 90W dan AL (Gambar 6). Siklon terjadi hampir 

sepanjang tahun, dengan waktu hidup (life time) satu sampai empat belas hari. Siklon 

., 

PARMA adalah siklon dengan waktu hidup terlama tahun 2009, yaitu 18 hari. 

6

Kecepatan angin dalam siklon bervariasi dari 25 knot (siklon 24 W) sampai 150 knot 

(Tabel 2). 

.... = 

0\ 

6 

c: 

::::J 

..c: 5 

.!!! 

~ 

..,. 

"' 4 

~ 

·;;; 

Q. 

"' 

c: 3 

.!!! 

::::J 

..!!! 

'0 2 

c: 

0 

::;;;; 

·;;; 

·;;; 

c: 

1 

"' 

::::J 

-"' 

~ 

.... 

0 

I 2009 

Gambar 6. Frekuensi kejadian siklon di lautan Pasifik barat tahun 2009 

Dari uraian di atas nampak bahwa frekuensi kejadian siklon tahun 2008 dan 

2009 tidak menunjukkan perbedaan yang berarti. Dari perbandingan antar tahun 

tersebut juga teridentifikasi bahwa tidak semua siklon mempunyai periode satu tahun 

atau dengan kata lain siklon tidak selalu berulang setiap tahun, bahkan siklon yang 

muncul tahun 2008 berbeda dengan yang terjadi pada tahun 2009. 

Tabel 2. Siklon tropis di Pasifik barat tahun 2009 (Sumber: Cooper eta/. , 2008) 

Nama Peri ode Peringatan v P (mb) 

(knot) 

TY 01W- Kujira 2-7 Mei 20 . 115 936 

TY 02W- Chan-Hom 3-11 Mei 29 . 90 955 

TY 03W- Linfa 17-22 Juni 21 75 966 

TS 04W- Nangka 22-26 Juni 18 45 988 

TS 05W- Soulder 9-12Juli 11 35 996 

TD06W 13-14 Juli 5 30 1000 

TY 07W- Molave 15-19 Juli 16 105 944 

TS 08W- Goni 2 !8 Agustus 15 45 988 

! 

:1 

7

TY 09W- Morakot 3-9 Agustus 25 80 963 

TS 10W- Etau 8 - 12 Agustus 18 40 . 992 

TY 11W- Vamco 17 - 25 Agustus 34 120 933 

TY 12W- Krovanh 28 - 31 Agustus 16 65 974 

TS 13W- Dujuan 3 - 8 September 25 55 981 

TO 14W- Mujigae 9 - 12 September 12 30 1000 

STY 15W- Choi-Wan 12 - 20 September 33 140 918 

TY 16W- Koppu 13 - 15 September 9 75 966 

TY 17W - Ketsana 25 - 29 September 19 90 955 

TD18W 27 - 30 September 13 30 1000 

STY 19W-Parma 27 September- 14 68 135 921 

Oktober 

STY 20W-Melor 29 September - 9 38 150 910 

Oktober 

TS 21W-Nepartak 8 - 13 Oktober 20 55 981 

STY 22W- Lupit 14 - 26 Oktober 49 918 

TY 23W- Mirinae 26 Oktober - 2 31 140 955 

November 

TD24W 2 - 3 November 2 90 1003 

TS25W 7- 9 November 10 25 988 

STY 26W-Nida 22 November - 03 45 150 910 

Desember 

TD27W 23 - 24 November 5 30 1000 

TD28W 5 Desember 1 30 1000 

TS 01C-Maka 14-18 Agustus 15 45 988 

TD02C 30 Agustus 2 30 1000 

Siklon di Teluk Benggala 

Di teluk Benggala, pada tahun 2008 terjadi 14 kejadian dari 13 jenis siklon, atau 

ada siklon yang terjadi dua kali yaitu siklon 928, siklon lain hanya te~adi satu kali 

(Gambar 7). Siklon NARGIS adalah siklon dengan kekuatan angin tertinggi pada tanun 

2008, yaitu 115 knot (Tabel 3). Meskipun cukup kuat, tetapi siklon ini tidak memben· 

mata siklon atau mata siklon tidak jelas. Distribusi spasial curah hujan nampak 

berkumpul ditengah siklon (Gambar 8. Kiri). Siklon NISHA (Gambar 8. Kanan) 

dengan intensitas yang lebih kecil menunjukkan distribusi ~pasial curah hujan yang 

hampir sama dengan siklon NARGIS, namun siklon NARGIS menunjukkan bentuk yang 

lebih simetris dibandingkan siklon NISHA . 

., 

8

00 

0 

0 

N 

c: 

::I 

.s:: 

2 

tQ 

m, 

ao 

c: 

QJ 

a:l 

~ 

::I 

~ 

'0 

c: 

0 

::;;; 

·;;:; 

·;;:; 

c: 

QJ 

::I 

~ 

QJ 

... .... 

3 ~ 

I 

2 ~ 

; 

1 J 

1 2008 

0 -r---r 

d) 

I d) 

r-- lD 

0 en 

I

l 

satu sampai enam hari. Siklon NARGIS adalah siklon yang mempunyai life time terlama 

(6 hari) pada tahun 2008, dan siklon WARD (4 hari) pada tahun 2009 (Tabel 4). 

Gambar 9 juga menunjukkan ba hwa tidak terjadi peningkatan frekuensi siklon pada 

tahun 2009 dibandingkan tahun 2008. 

0'1 

0 

0 

"' c 

~ 

.c: 

~ 

n; "' 

2 

~1 

c: 

Ql 

CD 

:c 

c 

0 

::;;: 

Vi 

·u; 

c 

Ql 

~ 

""" 0 -1 

~ I 0 

cr::: 

~ 

3: 

1 

2009 

a:> 1-=-T-=- -r -=- ~, --=-T-=-, -:- -~- 

~ W ~ V ~ N ~ 00 

o m m m ~ m 4 m a:> 

2 3 4 5 ~ 1 7 . 8 9 

z 

Nama siklon 

~ T !l l 

I 10 I 11 I 

Gambar 9. Frekuensi kejadian siklon di teluk Benggala tahun 2009 

Tabel 3. Siklon tropis di Hindia Utara tahun 2008 (Sumber: Cooper eta/. , 2008) 

Nama Periode Peringatan V (knot) 

1 B-Nargis 27 April-3 Mei 25 115 

28 16 September 2 45 

3A 20-23 Oktober 11 30 

48-Rashmi 26-27 Oktober 5 45 

58- Khai-Muk 14-16 November 9 45 

68-Nisha 25-27 November 7 50 

78 4-7 Desember 13 • 35 

L_____ --- 

Karena lokasi siklon 

di Pasifik Barat dan Beng§ala dekat dengan wilayah 

Indonesia, putaran/spin siklon a~n menarik massa atmosfer (udara dan atau awan) 

10

dari atas wilayah Indonesia akibatnya di atas wilayah Indonesia menjadi cerah. Kasus 

seperti ini terjadi pada saat te~ad i siklon NARGIS tanggal28 April 2008 dan siklon 06 8 

pada tahun 2009. Ditunjukkan oleh angin dari NNR, terjadi pengalihan massa 

udara/awan dari laut Hindia yang seharusnya masuk ke wilayah Indonesia tertarik ke 

arah Teluk Benggala (Gam bar 10 dan Gam bar 11). 

Tabel4. Siklon tropis di Hindia Utara ffeluk Benggala tahun 2009 (Sumber: Cooper eta/. 2008) 

..c::::I 

Nama 

Bijli 

Ail a 

Phyan 

Ward 

2 

4- 

Periode Peringatan V (knot) 

15-17 April 12 50 

24-25 Mei 7 65 

05 September 1 40 

09-11 November 1 40 

11-14 Desember 12 45 

110E 12

NaP/ NCAR R •u~ 

'"n/-'), 1 I I I fiii\li\ 

8 10 12 

Gambar 11. Kiri: Image radar TRMM untuk siklon 068 (Sumber: htttp://trmm.gsfc.nasa.gov), 

Kanan: Vektor angin dari NNR (Sumber: http://www.esrl.noaa.gov/psdl) pada 12 

November 2009) 

Curah hujan bulanan dari Precipitation Radar TRMM di wilayah Indonesia pada 

tahun 2008 lebih tinggi daripada tahun 2009 terutama setelah bulan Mei (Gambar 12). 

Perbedaan curah hujan kumulatif bulanan juga dipengaruhi oleh suplai massa dari 

lautan Hindia dan lautan Pasifik. Pada tahun 2008 suplai massa dari lautan Hindia 

selatan ke wilayah Indonesia berlangsung sampai bulan April sedangkan pada tahun 

2009 hanya sampai bulan Maret. Dari lautan Pasifik, suplai massa pada tahun 2008 

berlangsung dari bulan Januari sampai Juli dan November sampai Desember. Pada 

tahun 2009, suplai terjadi dari bulan Januari sampai Juni dan bulan Desember. lni 

berarti, suplai massa dari kedua lautan tersebut pada tahun 2009 lebih kecil 

dibandingkan tahun 2008. Kondisi seperti merupakan salah satu penyebab jumlah 

hujan tahun 2009 lebih rendah daripada jumlah curah hujan tahun 2008, karena massa 

udara dari lautan Pasifik dan lautan Hindia adalah massa udara dengan kadar uap air 

dan salinitas yang tinggi sehingga dapat meningkatkan aktivitas konveksi basah atau 

konveksi dengan peluang terjadinya hujan yang tinggi. 

., 

12

300 ' 

I Rata-rata untuk : 10" LU-15° LS, 95°BT-145°BT 

250 i 

co j 

! 150 i 

I! ' 

:s I 

u 100 "i 

so I 

0 J_ _______ -- 

1 2 

-2008 

-2009 

3 4 5 6 7 8 9 10 11 12 

Gambar 12. Curah hujan kumulatif bulanan tahun 2008 dan 2009 berdasarkan TRMM untuk 

Bulan 

wilayah Indonesia (10° LU s/d 15° LS, 95° BT s/d 145 °8T) 

- 

13

PEMANFAATAN CURAH HUJAN TRMM DASARIAN UNTUK PENGELOMPOKKAN DAN PENENTUAN KALENDER TANAM 

POTENSIAL 

ABS 

Curah hujan TRMM tipe 3842 adalah curah hujan/presipitasi Tropical Rainfall 

Measuring Mission (TRMM) yang digabung dengan presipitasi infrared/high quality 

(HQ) dalam grid yang mempunyai resolusi waktu 3-jam dan resolusi spasial 0,25° X 

0,25° dalam cakupan global 50° lintang selatan sampai 50° lintang utara. Data curah 

hujan dapat digunakan sejak tahun 1998 sampai saat ini, namun dalam penelitian ini 

digunakan periode pengamatan tahun 1998 sampai dengan 2009. Curah hujan 3 jaman 

diakumulasi setiap 10 hari ( ). Pengelompokkan curah hujan dengan 

metoae klaster menghasilkan 10 klaster untuk P. Sumatera, P. Jawa dan Papua 

serta 12 klaster untuk Kalimantan dan Sulawesi. Jumlah klaster tersebut meliputi 

klaster yang ada di lautan. Kalender tanam untuk setiap klaster ditentukan 

berdasarkan kebutuhan padi terhadap air (50 mm/dasarian), sehingga diperoleh 3 jenis 

kalender tanam yaitu s~tu kali tanam dalam setahun, dua kali tanam dalam setahun 

dan tiga kali tanam (se~anjang tahun). Dua kali menanam padi dalam setahun terjadi 

di P. Jawa dan Bali. Daerah dengan satu kali tanam sepanjang tahun adalah Nusa 

Tenggara, karena hujan dengan lntensltas yang cukup hanya terjadi di awal tahun. 

Sedangkan di Sumatera Barat, menanam padi bisa dilakukan hampir sepanjang tahun. 

Ina Juaer M Hardjana 

nr 

n 

Bidang Pemodelan lklim, Pusat Pemanfaatan Sa ins Atmosfer dan lkllm - LAPAN 

Jl. Dr. Junjunan 133 Phone (022)6037445 Fax. (022)6037443 Bandung, 40173 

3 

Data curah hujan TRMM lulus uji deteksi outlier karena nilai signifikansi > 0.001 dan 

multikolinearitas menunjukkan bilangan kondisi (k) >1000 maka dapat dilakukan analisis komponen utan 

Hasil analisis komponen ~rna Jnilah yang kemudian menjadi input untuk analisis klaster. Pengaplikasi 

metode klaster Ward pada data curah hujan TRMM akumulasi 10 harian menghasilkan 10 jumlah klas 

untuk 3 wilayah dan 12 klaster untuk 2 wilayah (gambar 2, tabel 1). Klaster terbanyak yaitu 12 terdapat 

Kalimantan dan Sulawesi atau wilayah tengah utara Indonesia. Berdasarkan peneglompokkan inL kemudi 

ditentukan dasarian potensial untuk menentukan kalehder tanam . Beberapa contoh dasarian dan kalen< 

tanam potensial diperlihatkan berturut-turut pada tabel 2, tabel 3, tabel 4 dan tabel 5. 

LAPA 

Sejak dipublikasi tahun 1998, data TRMM semakin sering digunakan dalam 

berbagai kajian masalah cuaca dan iklim di Indonesia. Hal ini disebabkan beberapa 

keunggulan yang dimiliki data curah hujan TRMM, seperti keunggulan dalam 

cakupan wilayah yang luas, kemampuannya dalam memetakan variasi curah hujan 

spasial dan temporal yang besar serta kemampuannya dalam memberikan data 

curah hujan dengan resolusi sampai 5 km. 

Sebelumnya data curah hujan TRMM hanya digunakan untuk tujuan 

penelitian murni, tetapi dalam penelitian ini ditunjukkan bahwa data TRMM dapat 

digunakan untuk pengelompokkan atau· klastering curah hujan dan penentuan 

kalender tanam potensial sebagai bentul(' pengembangan pemanfaatan data curah 

hujanTRMM. 

(!) 

-6 

~ .a 

tz -10 

:::J 

-12 

95 

Gamn 

Bul•nke 

DINrllln Ice 

Waklvtln.m 

100 105 110 115 120 125 1ll 

BUJUR 

Hasu klar:;ter 

yan 

Magelang (wllayah II) 

,. 

Penelitian dengan menggunakan data TRMM dan penerapan metode 

klastering ini merupakan kajian yang menggabungkan data lapangan dengan data 

observasi. Data lapangan adalah data jadwal tan am dan I k&W .•. C. m - .. 

kondisi daerah sentra pangan yang diperoleh dengan 

kunjungan dan diskusi ke beberapa lokasi sentra 

pangan, sebagai sampel. Data observasi adalah data 

curah hujan TRMM dan data observasi curah hujan 

dibeberapa lokasi sampel (di Kalimantan Barat) untuk 

mengkonfirmasi data curah hujan TRMM terhadap data 

observasi. Data TRMM yang digunakan adalah TRMM 

3842 Versi 6 dengan resolusi 0.25 x 0.25° dalam peri ode 

1998 sampai dengan 2009. 

"""'"' O..n1nke 

WlkiUl•nem 

Probolinggo (wilayah II) 

10 

Denpasar/Tabanan (wilayah II) 

9 I 1Q I ,, I 12 

12 l 13 l 14 l 15 l t6 l 17 l 18 l 19 ] ~121 l 22 l ~ l ~ l ~l~ l 27 l ~ l ~ l ~l~l~ l " l ~ l ~ l ~ 

Manado (klaster 9 wilayah IV ) 

1 I 2 ll I 4 I s I e I 1 I a I 9 I 10 I 11 112 I 13 I 14 I 15 1 115 I 11 I 18 I ts I 20 I 21 I 22 I 23

Klik Disini - KM Ristek

Create successful ePaper yourself

Delete template?

Save as template?